Three-dimensional Conditional Diffusion Models for Cosmological 21 cm Lightcone Emulation

ملخص تقني: نماذج الانتشار الشرطية ثلاثية الأبعاد لمحاكاة مخروط الضوء لـ 21 سم في علم الكونيات

بيان المشكلة
تعد إشارة 21 سم المزاحة نحو الأحمر من الهيدروجين المتعادل مسباراً حاسماً للفجر الكوني وعصر إعادة التأين (EoR). ويتطلب تفسير بيانات التصوير المستقبلية من مرافق مثل HERA وSKA نماذج أمامية سريعة وموثوقة فيزيائياً عبر مساحات واسعة من المعلمات الفيزيائية الفلكية. وبينما تعد المحاكاة شبه العددية مثل 21cmFAST معياراً قياسياً، إلا أنها مكلفة حوسبياً لإجراء مسحات واسعة النطاق للمعلمات أو للاستدلال القائم على المحاكاة. وتوفر نماذج التعلم الآلي، وخاصات النماذج التوليدية، حلاً لذلك. ومع ذلك، فإن نقل هذه النماذج من شرائح الصور ثنائية الأبعاد إلى مخاريط الضوء ثلاثية الأبعاد الكاملة يفرض تحديات كبيرة. إذ يؤدي إضافة البعد الثالث (العمق على طول خط البصر) إلى زيادة تكاليف الذاكرة بشكل كبير، مما يضطرنا لاستخدام دفعات مصغرة (micro-batches) صغيرة جداً تزيد من ضجيج التحسين. علاوة على ذلك، فإن توزيع الفوكسل (voxel) لدرجات حرارة السطوع لـ 21 سم يكون منحرفاً للغاية وله ذيول طويلة، مما يجعل تشوهات فضاء التحويل والتحكم في المدى الديناميكي أمراً حاسماً لاستقرار التدريب والدقة الفيزيائية.

المنهجية
يتقصى المؤلفون نمذجة الانتشار الشرطي لمحاكاة مخروط الضوء ثلاثي الأبعاد لـ 21 سم باستخدام مجموعة بيانات مكونة من 25,600 مخروط ضوء تدريبي تم إنشاؤها بواسطة 21cmFAST.

• البيانات والاشتراط: الحقول المستهدفة هي مكعبات من $64 \times 64 \times 1024$ فوكسل تغطي نطاق انزياح أحمر يتراوح بين $z \in [7.51, 20.95]$. وتتم محاكاة النماذج بناءً على معلمتين فيزيائيتين فلكيتين: الحد الأدنى لدرجة الحرارة الفيريال للهالات ($\log_{10} T_{\text{vir}}$) وكفاءة التأين ($\zeta$).
• البنية الهندسية: تم استخدام شبكة U-Net مشروطة بالسياق، تستخدم خطوات (strides) غير متناظحة في خفض وتكبير العينات بمقدار $(2, 2, 4)$ لاستيعاب هندسة مخروط الضوء المستطيلة. يستخدم النموذج 128 قناة أساسية مع مضاعفات قنوات $(1, 1, 2, 4)$ ويتضمن تضمينات للخطوة الزمنية والشرط.
• خط معالجة البيانات المسبقة: يمثل خط المعالجة المسبقة محور تركيز الدراسة، ويُعرف بـ: $x_{\text{raw}} \to \text{primary transform} \to \text{optional squish} \to \text{diffusion} \to \text{inverse squish} \to \text{inverse transform}$. ويقارن المؤلفون بين أربعة تحويلات رئيسية للمعالجة المسبقة (Yeo–Johnson، وMin–Max، وZ-score، وArcsinh) بالإضافة إلى خطوة اختيارية لضغط المدى الديناميكي ("squish").
• تصميم التحقق: تستخدم الدراسة 800 واقعة مستقلة لكل نقطة معلمة للتحقق عبر خمس مجموعات مرجعية مختلفة من المعلمات. يختبر هذا التصميم كلاً من النزعة المركزية والتنوع الشرطي للتوزيع المستهدف.
• مقاييس التقييم: يتم تقييم العينات المولدة باستخدام تسلسل هرمي من التشخيصات:
  1. شرائح صور درجة حرارة السطوع ($T_b$) (نوعياً).
  2. الإشارة العالمية $\langle T_b \rangle$ مقابل الانزياح الأحمر (التطور المتوسط).
  3. طيف القدرة (البنية المكانية ثنائية النقاط).
  4. معاملات التشتت المختزلة (المورفولوجيا غير الغاوسية من رتب أعلى).
     ويتم قياس الأداء باستخدام متوسط الخطأ المطلق المنظم بمعامل الانحراف المعياري ($\text{MAE}_{\text{std}}$) كمعيار تصنيف أساسي.

المساهمات الرئيسية والنتائج

• هيمنة المعالجة المسبقة: حددت الدراسة أن المعالجة المسبقة والتحكم في المدى الديناميكي هما العاملان المهيمنان اللذان يحكمان استقرار التدريب والدقة الفيزيائية في الإعدادات ثلاثية الأبعاد، متفوقين على عمق البنية أو مدة التدريب بمجرد استقرار التحسين.
• التكوين الأمثل: من بين التكوينات التي تم اختبارها، حقق التحويل المسبق Yeo–Johnson مع ضغط سعة متوسط ($A=0.1$) أفضل مقايضة متسقة ومواتية. تفوق هذا التكوين على تحويلات Min–Max وZ-score وArcsinh، وكذلك على التكوينات التي تفتقر إلى ضغط السعة.
• تسلسل الدقة: يتبع نجاح المحاكاة تسلسلاً هرمياً واضحاً:
  • الإشارة العالمية: يحقق النموذج أقوى توافق، حيث يلتقط بدقة توقيت وعمق فجوات الامتصاص.
  • طيف القدرة: التوافق أضعف، خاصة عند أنماط $k$ العالية (المقاييس الصغيرة)، حيث يواجه النموذج صعوبة في إعادة إنتاج الحدود الحادة.
  • معاملات التشتت: تظل المورفولوجيا غير الغاوسية من الرتب العليا هي الأكثر صعوبة في المطابقة. وبينما يلتقط النموذج الأنماط الهيكلية العريضة، لا تزال هناك انحيازات قابلة للقياس في المورفولوجيا متعددة المقاييس.
• أنماط الفشل: القصور الأساسي هو عدم قدرة النموذج على إعادة إنتاج تجمع الفوكسلات شديد التركيز والقريب من الصفر الموجود في 21cmFAST بشكل مثالي. يميل نموذج الانتشار إلى توسيع هذه الذروة، مما يؤدي إلى مناطق "أكثر نعومة" من المناطق المتأينة وبكسلات صغيرة غير صفرية في المناطق المظلمة بصرياً. هذا التنعيم يظهر في شكل عدم تطابق متبقٍ في طيف القدرة عند المقاييس الصغيرة وفي الإحصاءات من الرتب العليا.
• الحساسية للمعلمات الفائقة: لم تؤدِ زيادة عمق النموذج (الكتل المتبقية) إلى تحسينات رتيبة؛ بل في الواقع، تفوق النموذج الأقل عمقاً (كتلة متبقية واحدة 1) على النسخ الأكثر عمقاً، ويرجع ذلك على الأرجلة إلى ديناميكيات التحسين الصاخبة الناتجة عن الدفعات المصغرة الصغيرة في البيئة ثلاثية الأبعاد.

الأهمية والادعاءات
يضع المؤلفون هذا العمل كـ خط أساس على مستوى المحاكة للمحاكاة ثلاثية الأبعاد لـ 21 سم، وليس كخط استدلال كامل جاهز لبيانات المسح.

• الرؤية المنهجية: تجادل الورقة بأن الاستقرار في التوليد في الأنظمة عالية الأبعاد يعتمد أساساً على المعالجة المسبقة والتحكم في المدى الديناميكي. إن الملاءمة البصرية وحدها غير كافية؛ إذ لا بد من استخدام تشخيصات حساسة للمورفولوجيا (مثل معاملات التشتت) للكشف عن الانحيازات التي قد تغفل عنها الملخصات من الرتب الدنيا.
• النطاق: هذا الاختبار هو اختبار استكمال (interpolation) ضمن مساحة المعلمات التدريبية. وهو لا يتناول بعد التحديات المواجهة للمسح مثل استجابة الأجهزة، أو تلوث المقدمة، أو معايرة عدم اليقين لتقدير المعلمات.
• الفائدة المستقبلية: يوفر التكوين الأمثل المحدد (Yeo–Johnson + $A=0.1$) نقطة انطلاق قوية للدراسات المستقبلية التي تهدف إلى دمج التأثيرات الرصدية الواقعية أو إجراء الاستدلال القائم على المحاكاة، بشرط الإقرار بالقيود المتعلقة بمورفولوجيا المقاييس الصغيرة.