Bayesian Deep Gaussian Processes for Correlated Functional Data: A Case Study in Cosmological Matter Power Spectra

Resumen Técnico: Procesos Gaussianos Profundos Bayesianos para Datos Funcionales Correlacionados

Planteamiento del Problema
El artículo aborda el desafío de estimar el espectro de potencia de la materia de "volumen infinito", $P_\infty(k)$, subyacente, a partir de simulaciones computacionales cosmológicas. Específicamente, los autores se centran en la suite de simulaciones Mira-Titan, que proporciona múltiples curvas de respuesta de diversas fidelidades para un conjunto dado de parámetros cosmológicos (una "cosmología"). Estos productos incluyen:

1. Espectros de la teoría de perturbaciones ($P_p$): Derivados analíticamente, precisos solo en escalas espaciales grandes (números de onda bajos, $k < 0.04$).
2. Simulaciones de baja resolución ($P_{\ell r}$): 16 realizaciones correlacionadas por cosmología, precisas para escalas intermedias ($0.04 \le k \le 0.25$), pero sujetas a la aleatoriedad de la inicialización.
3. Simulaciones de alta resolución ($P_h$): Una única realización por cosmología, precisa para un rango más amplio ($0.04 \le k \le 5$), pero aún sujeta a efectos de volumen finito en bajos valores de $k$.

La dificultad central radica en sintetizar estos productos funcionales heterogéneos, correlacionados y ruidosos para estimar el $P_\infty(k)$ suave y no aleatorio, proporcionando al mismo tiempo una Cuantificación de la Incertidumbre (UQ) rigurosa. Los métodos existentes suelen tratar estos productos como observaciones escalares independientes o no logran contabilizar la dependencia espacial inherente a las curvas funcionales a través de los números de onda. Además, los autores pretenden construir un modelo sustituto (emulador) para predecir espectros de cosmologías no observadas sin necesidad de ejecutar nuevas y costosas simulaciones.

Metodología
Los autores proponen un modelo de Proceso Gaussiano Profundo Jerárquico Bayesiano (DGP), denominado DGP.FCO, diseñado específicamente para productos funcionales correlacionados.

1. Estructura Jerárquica:

   • Capa de Observación: El promedio ponderado observado de los productos de la simulación ($\bar{Y}$) se modela como una realización ruidosa del espectro subyacente $S$. A diferencia de enfoques previos que asumen una covarianza de ruido diagonal, este modelo emplea una matriz de covarianza densa $\Sigma_\epsilon$ (basada en un núcleo Matérn) para capturar la dependencia espacial suave y las correlaciones a través de los números de onda.
   • Capa del Espectro Latente: El espectro subyacente $S$ se modela como un Proceso Gaussiano centrado en cero, $S \sim \text{GP}(0, \Sigma_S(W))$.
   • Capa Latente Profunda: Para manejar la no estacionariedad (específicamente las oscilaciones acústicas bariónicas en el rango $-1.4 \le \log_{10}(k) \le -0.8$), el espacio de entrada $X$ (números de onda) es deformado por un proceso Gaussiano monótono latente, $W \sim \text{monoGP}$. Esta deformación permite al modelo adaptar la suavidad de la realización del espectro a través de diferentes escalas.

2. Inferencia:

   • Los autores utilizan el Muestreo de Rebanada Elíptica (ESS) para inferir la función de deformación latente $W$ y pasos de Metropolis-Hastings dentro de un marco de Gibbs para actualizar los hiperparámetros del núcleo ($\theta_S, \theta_W$).
   • La distribución posterior del espectro $S$ se deriva en forma cerrada dados los valores latentes, lo que permite el muestreo directo para calcular las medias posteriores y los intervalos de credibilidad del 95%.

3. Emulación para Cosmologías No Observadas:

   • Para predecir espectros de nuevas cosmologías, los autores emplean un enfoque de dos etapas. Primero, el modelo DGP.FCO se utiliza para estimar los espectros de las cosmologías de entrenamiento.
   • Estos espectros estimados se descomponen mediante el Análisis de Componentes Principales (PCA).
   • Se entrena un emulador de Proceso Gaussiano separado sobre los pesos de los componentes principales en función de los ocho parámetros cosmológicos. Este modelo sustituto permite la predicción rápida de espectros para configuraciones cosmológicas no observadas.

Contribuciones Clave

• Extensión de los DGP Bayesianos: El artículo extiende los Procesos Gaussianos Profundos Bayesianos de respuestas escalares a productos funcionales correlacionados. Esta es una aplicación novedosa de los DGP en el contexto de experimentos computacionales.
• Síntesis de Datos de Multifidelidad: El modelo sintetiza eficazmente los datos de la teoría de perturbaciones, de simulaciones de baja resolución y de alta resolución, respetando los rangos específicos de número de onda donde cada fuente de datos es imparcial.
• Incorporación de Conocimiento de Dominio: El modelo incorpora explícitamente el conocimiento experto sobre la fiabilidad de diferentes fuentes de datos (mediante matrices de precisión) y la naturaleza no estacionaria de los espectros (mediante el GP monótono latente).
• Evaluación Comparativa (Benchmarking): El método se valida contra datos sintéticos y el modelo CAMB (Code for Anisotropies in the Microwave Background), que proporciona una "verdad fundamental" de volumen infinito conocida. También se compara con el estado del arte, Cosmic Emu (un enfoque de convolución de proceso profundo), utilizando el conjunto de datos Mira-Titan.

Resultados

• Experimentos Sintéticos y CAMB: En estudios de simulación donde la curva subyacente real es conocida, el modelo DGP.FCO supera a los métodos competidores (DGP estándar, GP heterocedástico y convolución de proceso profundo) en términos de log score, una regla de puntuación adecuada que evalúa tanto la exactitud como la calibración de la incertidumbre. Los autores señalan que tener en cuenta la dependencia espacial entre las observaciones conduce a una UQ más efectiva.
• Emulación de Mira-Titan: Al predecir espectros para cosmologías no incluidas en el entrenamiento, el método propuesto (DGP.FCO + PCA + emulador GP) se desempeña favorablemente en comparación con el Cosmic Emu existente.
• Cuantificación de la Incertidumbre: El modelo jerárquico proporciona con éxito intervalos de credibilidad que reflejan la incertidumbre derivada de los volúmenes de simulación finitos y la aleatoriedad de la inicialización, algo que los promedios ponderados simples no logran capturar adecuadamente.

Significancia y Reivindicaciones
Los autores afirman que su enfoque proporciona un marco robusto para estimar el espectro de potencia de la materia de volumen infinito a partir de complejos conjuntos de simulaciones de multifidelidad. Al ir más allá de las respuestas escalares hacia productos funcionales correlacionados, el método captura la suavidad intrínseca y la dependencia de los espectros cosmológicos que otros emuladores pasan por alto. El artículo posiciona este trabajo como un paso crítico hacia el análisis eficiente de grandes sondeos cosmológicos (por ejemplo, Euclid, LSST), donde la predicción rápida y precisa de los espectros de potencia de la materia con una cuantificación de la incertidumbre fiable es esencial para restringir los parámetros cosmológicos. Los autores proporcionan los datos, el código reproducible y un paquete de R para facilitar la adopción de este modelo de DGP bayesiano.