[论文解读] Towards reconstructing the halo clustering and halo mass function of N-body simulations using neural ratio estimation

Androniki Dimitriou, Christoph Weniger+1 more|arXiv (Cornell University)|Jun 22, 2022

Galaxies: Formation, Evolution, Phenomena被引用 4

一句话总结

本文提出一种神经比例估计方法，通过直接比较模拟密度图与解析晕模型，从N体模拟图像中重建晕的聚集与质量函数。利用边缘神经比例估计，该方法成功恢复了物理参数，包括最小晕质量截断值，并生成了逼真的模拟图像，展示了通过深度学习实现自动化、可微分宇宙学模拟分析的有前景路径。

ABSTRACT

High-resolution cosmological N-body simulations are excellent tools for modelling the formation and clustering of dark matter haloes. These simulations suggest complex physical theories of halo formation governed by a set of effective physical parameters. Our goal is to extract these parameters and their uncertainties in a Bayesian context. We make a step towards automatising this process by directly comparing dark matter density projection maps extracted from cosmological simulations, with density projections generated from an analytical halo model. The model is based on a toy implementation of two body correlation functions. To accomplish this we use marginal neural ratio estimation, an algorithm for simulation-based inference that allows marginal posteriors to be estimated by approximating marginal likelihood-to-evidence ratios with a neural network. In this case, we train a neural network with mock images to identify the correct values of the physical parameters that produced a given image. Using the trained neural network on cosmological N-body simulation images we are able to reconstruct the halo mass function, to generate mock images similar to the N-body simulation images and to identify the lowest mass of the haloes of those images, provided that they have the same clustering with our training data. Our results indicate that this is a promising approach in the path towards developing cosmological simulations assisted by neural networks.

研究动机与目标

• 通过机器学习自动化从宇宙学N体模拟中推断晕形成参数。
• 解决宇宙结构形成模拟推断中高维、不可计算似然函数的挑战。
• 直接从暗物质密度投影图重建晕质量函数与聚集特性。
• 开发一种可微分、端到端的框架，绕过宇宙学模拟中传统的似然计算。

提出的方法

• 采用边缘神经比例估计（MNRE）近似物理参数的后验分布，无需显式似然函数。
• 在包含可调参数（如晕质量函数截断值与聚集幅度）的解析玩具晕模型生成的合成图像上训练神经网络。
• 使用两体相关函数模型模拟晕聚集，假设为幂律功率谱的高斯随机场。
• 通过匹配图像统计量，直接在仅含暗物质的N体模拟数据（EAGLE）上校准模型。
• 通过图像旋转进行数据增强，以提高训练网络的鲁棒性与泛化能力。
• 通过生成模拟图像并与真实模拟输出进行比较，验证结果。

实验结果

研究问题

• RQ1 神经比例估计能否在无需显式似然计算的情况下，准确从N体模拟图像中推断出最小晕质量截断值？
• RQ2 在MNRE指导下，一个简单的解析晕模型在多大程度上能再现宇宙学模拟中观测到的晕聚集与质量函数？
• RQ3 尽管输入数据结构发生显著变化，该方法在图像旋转等变换下是否仍保持鲁棒性？
• RQ4 训练后的模型在多大程度上能生成与实际N体模拟输出相似的逼真模拟图像？
• RQ5 当前玩具模型在捕捉暗物质晕中的非高斯或丝状结构方面存在哪些局限性？

主要发现

• 该方法以高精度重建了晕质量函数截断值（log10 cutoff），在大多数情况下真实值位于1σ与2σ可信区间内。
• 模型生成的模拟图像在视觉上与原始N体模拟图像高度相似，表明其具有强大的生成保真度。
• 尽管图像旋转导致结构发生显著变化，推断的后验分布仍保持高度稳定，证明了对数据增强的鲁棒性。
• 该方法合理地恢复了晕的数量，但在高度聚集区域，特别是低质量晕区域，仍存在一些缺陷。
• 结果表明，基于高斯随机场的当前玩具模型不足以捕捉非高斯特征（如丝状结构），提示需要更复杂的聚集模型。
• 该方法计算上可行，每张2000个晕的图像生成耗时约1秒，支持对数千张模拟图像的可扩展模拟。