[论文解读] Simulation-Based Inference of Reionization Parameters From 3D Tomographic 21 cm Images

Xiaosheng Zhao, Yi Mao+2 more|arXiv (Cornell University)|May 7, 2021

Radio Astronomy Observations and Technology被引用 4

一句话总结

本文提出一种基于模拟的贝叶斯推断方法，利用三维卷积神经网络（3D CNN）压缩三维射电断层成像的21厘米图像，以实现对再电离参数的精确后验估计。通过采用密度估计似然自由推断（DELFI），该方法在后验估计方面优于二维图像和功率谱分析，由于更充分地利用了非高斯信号特征，因而能恢复出更准确、更可靠的可信区域。

ABSTRACT

Tomographic three-dimensional 21 cm images from the epoch of reionization contain a wealth of information about the reionization of the intergalactic medium by astrophysical sources. Conventional power spectrum analysis cannot exploit the full information in the 21 cm data because the 21 cm signal is highly non-Gaussian due to reionization patchiness. We perform a Bayesian inference of the reionization parameters where the likelihood is implicitly defined through forward simulations using density estimation likelihood-free inference (DELFI). We adopt a trained 3D Convolutional Neural Network (CNN) to compress the 3D image data into informative summaries (DELFI-3D CNN). We show that this method recovers accurate posterior distributions for the reionization parameters. Our approach outperforms earlier analysis based on two-dimensional 21 cm images. In contrast, an MCMC analysis of the 3D lightcone-based 21 cm power spectrum alone and using a standard explicit likelihood approximation results in inaccurate credible parameter regions both in terms of the location and shape of the contours. Our proof-of-concept study implies that the DELFI-3D CNN can effectively exploit more information in the 3D 21 cm images than a 2D CNN or power spectrum analysis. This technique can be readily extended to include realistic effects and is therefore a promising approach for the scientific interpretation of future 21 cm observation data.

研究动机与目标

• 开发一种能充分挖掘再电离时期三维射电断层成像中非高斯信息的方法。
• 克服传统功率谱分析的局限性，后者无法捕捉21厘米信号中不连续、非高斯的结构特征。
• 通过正向模拟隐式定义的似然函数，实现对再电离参数的精确贝叶斯推断。
• 证明使用训练好的三维卷积神经网络处理三维数据，相比二维或基于功率谱的方法，能显著提升后验估计性能。

提出的方法

• 该方法采用密度估计似然自由推断（DELFI），通过正向模拟三维21厘米亮度温度图来隐式定义似然函数。
• 训练一个三维卷积神经网络（CNN），将完整的三维21厘米图像数据压缩为低维、信息丰富的摘要统计量。
• 训练好的3D CNN作为似然自由推断的摘要统计量，替代传统的功率谱或二维图像特征。
• 利用从DELFI框架中基于3D CNN摘要统计量推导出的模拟后验分布，执行贝叶斯参数推断。
• 通过将所得后验可信区域与采用显式似然近似对三维功率谱进行MCMC分析的结果进行比较，验证了该方法的有效性。
• 该方法设计具有可扩展性，未来可纳入真实观测效应。

实验结果

研究问题

• RQ1 在似然自由推断框架中，基于3D CNN的摘要统计量是否能优于二维图像或功率谱方法，提升再电离参数的后验估计性能？
• RQ2 充分利用21厘米数据的三维结构是否能带来比传统二维或基于功率谱的推断更准确、更可靠的可信区域？
• RQ3 与使用显式似然近似和三维功率谱的MCMC分析相比，DELFI结合3D CNN摘要统计量的性能如何？
• RQ4 3D CNN在多大程度上能够捕捉到标准功率谱分析所遗漏的21厘米信号中的非高斯特征？
• RQ5 DELFI-3D CNN框架在未来的21厘米数据处理中，能否扩展以包含真实的观测系统误差？

主要发现

• DELFI-3D CNN方法能够准确恢复再电离参数的后验分布，优于基于二维图像和功率谱的推断方法。
• 与采用显式似然近似对三维功率谱进行MCMC分析的结果相比，该方法生成的参数可信区域在位置和形状上更为准确。
• 3D CNN能有效将三维21厘米数据压缩为保留关键非高斯信号特征的信息摘要统计量，对参数推断至关重要。
• 与二维CNN或基于功率谱的分析相比，该方法在充分利用三维射电断层成像信息内容方面表现出更优性能。
• 该框架具有鲁棒性和可扩展性，未来可集成真实观测效应，适用于实际21厘米数据的分析。