Interpretability of deep-learning methods applied to large-scale structure surveys

ملخص تقني: قابلية التفسير لطرق التعلم العميق المطبقة على مسوحات البنية واسعة النطاق

بيان المشكلة
برز التعلم العميق، ولا سيما الشبكات العصبية الالتفافية (CNNs)، كأداة قوية للتحليل الكوني لمسوحات البنية واسعة النطاق (LSS)، حيث تقدم أداءً يضاهي أو يتجاوز الطرق الكلاسيكية القائمة على إحصاءات ملخصة ثابتة. ومع ذلك، فإن عائقًا كبيرًا أمام اعتمادها كأدوات تحليل أساسية هو طبيعتها "الصندوق الأسود". فخلافًا للطرق الكلاسيكية حيث تكون عملية اتخاذ القرار شفافة، تقوم الشبكات العصبية الالتفافية بتحسين ملايين المعلمات التي لا تملك معنى فيزيائيًا مباشرًا. هذا النقص في قابلية التفسير يحجب العيوب والتحيزات المحتملة، مما يجعل من الصعب الوثوق بالنتائج أو تحسين المسوحات المستقبلية خصيصًا لهذه الخوارزميات. وبينما تعد قابلية التفسير مجالًا نشطًا في التعلم الآلي العام، إلا أن تطبيقها في علم الكونيات لا يزال في بداياته.

المنهجية
يقترح المؤلفون نهجًا مبتكرًا لقابلية التفسير يختلف عن التحليل "البعدي" (تحليل شبكة مدربة على بيانات عادية). بدلاً من ذلك، يستقصون سلوك الشبكة من خلال إضعاف بيانات المدخلات بشكل منهجي قبل التدريب ومراقبة التأثير على القدرة على التقييد.

• البيانات والبنية: تستخدم الدراسة نسخة مبسطة من بنية DeepLSS (Kacprzak & Fluri 2022). وهي توظف خرائط التقارب لعدسة الجاذبية الضعيفة ($\kappa_g$) التوموجرافية الناتجة عن محاكاة N-body لكون $\Lambda$CDM مسطح. تغطي مجموعة البيانات 900 درجة مربعة عبر أربعة نطاقات إزاحة حمراء. تم تدريب بنيتين للشبكات العصبية:

  1. شبكة CNN تعتمد على ResNet تأخذ خرائط بكسلية خام كمدخلات.
  2. شبكة عصبية تعتمد على طيف القدرة (PS) تأخذ الأطياف الذاتية والمتقاطعة للخرائط، وتعمل كخط أساس للمقارنة.
     تم تدريب كلتا الشبكتين للتنبؤ بالمعلمات الكونية $\Omega_m$ و $\sigma_8$ (وتغايراتهما) باستخدام دالة فقدان اللوغاريتم السالب (negative log-likelihood).

• استراتيجية الإضعاف: من أجل فهم الميزات التي تقود تنبؤات الشبكة، يقوم المؤلفون بإدراج طبقات معالجة مسبقة لإزالة أو تغيير أنواع محددة من المعلومات قبل الطبقة الالتفافية الأولى. تشمل عمليات الإضعاف ما يلي:

  • تعديلات المقياس: تغيير مقاييس التنعيم الغاوسي ($R = 2, 4, 8, 16$ Mpc/h) وعزل نطاقات مقياسية محددة عبر تحويلات Starlet.
  • عتبات التقارب: فصل الخرائط إلى مناطق تقارب منخفضة، ومتوسطة، وعالية ($\kappa_g$ thresholds).
  • التحويلات: تحويل البيانات إلى فضاء فورييه (حقيقي/تخيلي أو سعة/طور) أو تطبيق تحويلات Starlet.
  • إزالة المعلومات: خلط نطاقات الإزاحة الحمراء (إزالة الترتيب التوموجرافي)، وجمع نطاقات الإزاحة الحمراء (إزالة العمق التوموجرافي)، والخلط الكامل للبكسلات (إزالة جميع المعلومات المكانية).

• مقاييس الأداء: يتم قياس أداء الشبكة عبر مؤشرين يتم حسابهما من سلاسل ماركوف تشين (MCMC):

  1. الانحراف المعياري للتقييد لـ $S_8$ ($\sigma_{S_8}$).
  2. الاعتلاج المعلوماتي ($H$) للتوزيع البعدي.

النتائج الرئيسية
تكشف الدراسة أن عملية تنبؤ الشبكة العصبية الالتفافية تعتمد على مزيج محدد من المعلومات الغاوسية وغير الغاوسية، مع تركيز متميز على المقاييس عند الانتقال بين الأنظمة الخطية وغير الخطية.

• الاعتماد على المقياس: تعمل الشبكة بشكل أفضل عندما تتضمن البيانات مقاييس حول 8 إلى 12 Mpc/h، وهو ما يتوافق مع الانتقال بين الأنظمة الخطية وغير الخطية عند إزاحات المسح الحمراء.

  • إزالة المقاييس الصغيرة (التي يهيمن عليها الضجيج) ليس لها تأثير كبير.
  • توفير المقاييس الكبيرة فقط ($>16$ Mpc/h) يؤدي إلى تدهور الأداء بشكل كبير، مما يجعله بمستوى شبكة طيف القدرة.
  • توفير المقاييس الصغيرة فقط ($<10$ Mpc/h) يؤدي إلى أداء أسوأ قليلاً من المرجع.
  • من المثير للاهتمام أن إزالة أصغر المقاييس ($<5$ Mpc/h) وأكبر المقاييس ($>20$ Mpc/h) يحسن الأداء قليلاً، ويرجع ذلك على الأرجح إلى السماح للشبكة بالتركيز على المقاييس المتوسطة الأكثر غنى بالمعلومات.

• مناطق التقارب:

  • مناطق التقارب المتوسط (القيم المتوسطة، ~60% من البكسلات) تحتوي على أقل قدر من المعلومات بمفردها.
  • المناطق المتطرفة (التقارب المنخفض/الفراغات والتقارب العالي/القمم) غنية جدًا بالمعلومات.
  • ومع ذلك، فإن دمج مناطق التقارب المتوسط مع المناطق المتطرفة يحسن الأداء بشكل كبير مقارنة بالمتطرفات وحدها. يشير هذا إلى أنه بينما توفر المتطرفات معلومات غير غاوسية، إلا أنها تفتقر إلى الهياكل المتصلة واسعة النطاق الموجودة في المناطق المتوسطة.
  • إن دمج مناطق التقارب العالي (القمم) مع سعة فورييه (المعلومات الغاوسية) يستعيد الأداء المساوي للنموذج المرجعي، مما يشير إلى أن الجمع بين تعداد القمم وطيف القدرة هو استراتيجية قوية.

• التحويلات والمعلومات المكانية:

  • تحويلات Starlet (تفكيك الصور إلى قنوات متعددة المقاييس) لا تؤدي إلى تدهور الأداء وقد تحسنه قليًا.
  • مدخلات فضاء فورييه (الحقيقي/التخيلي أو السعة/الطور) تؤدي إلى تدهور الأداء بشكل كبير، مما يشير إلى أن بنية الشبكة العصبية الالتفافية محسنة للصور في الفضاء الحقيقي.
  • معلومات الإزاحة الحمراء: إن جمع نطاقات الإزاحة الحمراء (إزالة العمق التوموجرافي) لا يسبب، بشكل مفاجئ، أي فقدان كبير في الأداء. ومع ذلك، فإن خلط ترتيب الإزاحة الحمراء يؤدي إلى تدهور الأداء، مما يشير إلى أن الشبكة تعتمد على التقديم الصحيح للبيانات.
  • المعلومات المكانية: الخلط الكامل للبكسلات (إزالة جميع البنية المكانية) يسبب فقدانًا كبيرًا في الأداء، مما يقلل من مستوى الشبكة إلى مستوى مشابه لمنهج طيف القدرة، ومع ذلك لا تزال الشبكة تنتج تنبؤات ذات صلة.

الأهمية والادعاءات
يزعم البحث أن مساهمته الرئيسية تكمن في تقديم طريقة حدسية ومبتكرة لتفسير نماذج التعلم العميق في علم الكونيات من خلال تحليل تأثير إضعاف البيانات على القدرة على التقييد. ويخلص المؤلفون إلى ما يلي:

1. متطلبات المعلومات الهجينة: مثل الإحصاءات الملخصة الكلاسيكية، تتطلب الشبكات العصبية الالتفافية كلاً من المعلومات الغاوسية (واسعة النطاق) وغير الغاوسية (صغيرة النطاق، القمم/الفراغات) لتحقيق القدرة المثلى على التقييد.
2. المقاييس الحرجة: تكمن المعلومات الأكثر أهمية للشبكة في الهياكل عند حد الانتقال بين الأنظمة الخطية وغير الخطية (8–12 Mpc/h).
3. التحقق من صحة المسبارات المدمجة: تدعم النتائج فرضية أن الجمع بين تحليل طيف القدرة (الغاوسي) مع تعداد القمم أو دالات مينكوفسكي (غير الغاوسي) هو استراتيجية فعالة تقلل من فقدان المعلومات.
4. الحساسية البنيوية: الشبكة العصبية الالتفافية حساسة للغاية لتمثيل البيانات (تفضل الفضاء الحقيقي على فضاء فورييه) ولوجود الارتباطات المكانية.

يشير المؤلفون إلى أن هذه النتائج تستند إلى نموذج فيزيائي مبسط (يفتقر إلى عدم اليقين الفيزيائي الفلكي مثل الاصطفاف الجوهري، والذي يوضح الملحق (أ) أنه يمكن أن يغير النتائج فيما يتعلق بنطاقات الإزاحة الحمراء). ومع ذلك، توفر هذه الدراسة فهمًا تأسيسيًا لكيفية استخراج التعلم العميق للمعلومات الكونية من مسوحات عدسة الجاذبية الضعيفة، مما يعالج مخاوف "الصندوق الأسود" من خلال تحديد الميزات الفيزيائية المحددة التي تعتبرها الشبكة الأكثر قيمة.