[论文解读] The Role of Machine Learning in the Next Decade of Cosmology

Michelle Ntampaka, Camille Avestruz+28 more|arXiv (Cornell University)|Feb 26, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 16被引用 36

一句话总结

本论文综述了机器学习如何推动宇宙学的发展，概述了2020年代的成功、挑战和机遇，并呼吁跨学科协作以利用数据驱动的发现。

ABSTRACT

In recent years, machine learning (ML) methods have remarkably improved how cosmologists can interpret data. The next decade will bring new opportunities for data-driven cosmological discovery, but will also present new challenges for adopting ML methodologies and understanding the results. ML could transform our field, but this transformation will require the astronomy community to both foster and promote interdisciplinary research endeavors.

研究动机与目标

• 激励数据科学和机器学习在宇宙学中的作用，并界定数据科学在该领域的定位与界限。
• 总结在宇宙学中值得注意的ML成就，以展示对数据解读与发现的潜在转变。
• 识别挑战以及向可解释、严谨的ML转变的必要性，以确保获得可靠的物理洞见。
• 概述未来机遇以及以数据量驱动的情景，在这些情景中ML能够最大化科学收益。
• 鼓励社区建设、教育和跨学科努力，将ML与传统宇宙学分析相结合。

提出的方法

• 在天文学和宇宙学背景下界定数据科学与ML。
• 整理并讨论宇宙学中关键的ML成功案例，以展示实际影响。
• 讨论挑战，包括可解释性、不确定性量化，以及ML模型中的偏差。
• 呈现与大数据（LSST、HERA/SKA）、流水线优化、低信号域（eROSITA）以及档案数据相关的机遇。
• 倡导跨学科协作、教育，以及科学门户和实践社区的发展。

实验结果

研究问题

• RQ1 ML在显著改善宇宙学数据解读和参数约束方面有哪些值得注意的方式？
• RQ2 在宇宙学中广泛采用ML面临的主要挑战有哪些，如何减轻这些挑战？
• RQ3 即将到来和存档数据为ML驱动的宇宙学发现带来哪些机遇？
• RQ4 社区结构和教育如何发展以将ML与传统统计方法在宇宙学中融合？

主要发现

• ML降低了星系团质量代理变量的散布，并增强了弱透镜图中的非高斯信息带来的约束。
• ML技术在从CMB图中提取引力势和处理非高斯前景与噪声方面，可以与传统方法竞争甚至超过它们。
• ML能够生成快速、准确的三维结构形成预测，超越传统解析近似。
• ML实现从大尺度结构直接估计宇宙学参数，并收紧参数约束。
• ML 分类与分析在比人工方法快得多地识别强透镜弧线方面有显著提升。
• ML的机会涵盖LSST级别的数据处理、实时瞬变分类，以及面向前向模型分析的高效流水线优化。