Predicting galaxy bias using machine learning

Resumen Técnico: Predicción del Sesgo de Galaxias mediante Aprendizaje Automático

Planteamiento del Problema
Comprender cómo las galaxias trazan el campo de densidad de materia subyacente es fundamental para la cosmología observacional y los modelos de formación de galaxias. Esta conexión se cuantifica mediante el sesgo de galaxia ($b$). Mientras que los enfoques analíticos tradicionales suelen depender de mediciones de sesgo promediadas por población (por ejemplo, a través de espectros de potencia o funciones de correlación), estos métodos tienen dificultades para desentrañar dependencias específicas de las propiedades internas de los halos y los factores ambientales debido a las limitaciones de la relación señal-ruido y la estocasticidad inherente de la conexión materia-halo-galaxia. La literatura reciente enfatiza la necesidad de marcos probabilísticos para capturar la varianza intrínseca en esta relación. Este trabajo aborda el desafío de predecir el sesgo lineal individual ($b_i$) de las galaxias basándose en las propiedades de su halo anfitrión, el entorno local y la ubicación en la red cósmica, modelando explícitamente la naturaleza estocástica del parámetro de sesgo.

Metodología
El estudio utiliza datos de la simulación magnetohidrodinámica IllustrisTNG300. El conjunto de datos comprende 174,607 galaxias centrales seleccionadas con masas de halo $M_{vir} > 10^{10.5} h^{-1}M_\odot$ y masas estelares $M_* > 10^{8.75} h^{-1}M_\odot$.

• Variable Objetivo: El sesgo lineal individual a gran escala ($b_i$) para cada galaxia se calcula utilizando el formalismo de estimador objeto por objeto introducido por Paranjape et al. (2018) y refinado por Balaguera-Antolínez et al. (2024). Este método asigna un valor de sesgo específico a cada galaxia basado en la relación entre los espectros de potencia galaxia-materia y materia-materia en el límite de gran escala ($k \leq 0.2 \, h \, \text{Mpc}^{-1}$).
• Características de Entrada (Features): Los modelos son entrenados en un conjunto de características que incluyen:
  • Propiedades Internas del Halo: Masa virial ($M_{vir}$), redshift de formación ($z_{1/2}$), concentración ($c_{vir}$) y espín ($\lambda_{halo}$).
  • Propiedades de la Galaxia: Masa estelar ($M_*$) y color ($g-i$).
  • Entorno Local: Sobredensidades ($\delta_3, \delta_5, \delta_8$) calculadas en escalas de 3, 5 y $8 \, h^{-1}\text{Mpc}$.
  • Ubicación en la Red Cósmica: Distancias a puntos críticos (vacíos, nodos, puntos de silla y filamentos), identificados mediante el algoritmo DisPerSE.
• Marco de Aprendizaje Automático: Se evalúan tres modelos distintos en un conjunto de datos dividido (58% entrenamiento, 30% prueba, 12% validación):
  1. Regresor de Bosques Aleatorios (RF): Un método de ensamble determinista.
  2. Red Neuronal (NN): Un modelo de aprendizaje profundo de salida única y determinista.
  3. Flujos de Normalización (NF): Un modelo generativo probabilístico (específicamente Neural Spline Flows) diseñado para aprender la distribución de probabilidad condicional $p(b_i | \{x\}_i)$, donde $\{x\}_i$ representa las características de entrada.
• Métricas de Evaluación: El rendimiento se evalúa utilizando el Coeficiente de Correlación de Pearson (PCC), la prueba de Kolmogorov–Smirnov (K–S) y la Distancia de Wasserstein (WD). Para el modelo probabilístico NF, las métricas se computan tanto para una realización aleatoria única como para la media de 1,000 realizaciones.

Contribuciones Clave

1. Integración del Sesgo Objeto por Objeto: El trabajo incorpora con éxito el formalismo de sesgo individual en un flujo de trabajo de aprendizaje automático, tratando el $b_i$ como una propiedad específica de cada galaxia en lugar de un promedio poblacional.
2. Modelado Probabilístico del Sesgo: El estudio demuestra que los modelos deterministas (RF y NN) fallan al reproducir la anchura total y las colas de la distribución de sesgo, mientras que los Flujos de Normalización pueden capturar con precisión la estocasticidad intrínseca y las distribuciones conjuntas del sesgo con otras propiedades galácticas.
3. Análisis de Importancia de Características: A través de la importancia de características por permutación (PFI) y el análisis de correlación, el trabajo cuantifica la influencia relativa de las propiedades ambientales frente a las internas en el sesgo de las galaxias.

Resultados

• Dependencias de las Características: El análisis de correlación revela que las sobredensidades locales, particularmente $\delta_8$, son las características más fuertemente correlacionadas con el sesgo de la galaxia. Le siguen las distancias a las estructuras de la red cósmica y, en menor medida, las propiedades internas del halo. Entre las propiedades internas, el redshift de formación ($z_{1/2}$) muestra la correlación más fuerte, superando a la masa del halo en la muestra completa.
• Rendimiento de los Modelos:
  • Modelos Deterministas: RF y NN logran valores de PCC altos (0.811 y 0.797, respectivamente), pero exhiben estadísticas de la prueba K–S y distancias de Wasserstein elevadas, lo que indica que predicen con precisión la tendencia media pero fallan al reproducir la dispersión y las colas de la distribución.
  • Modelo Probabilístico (NF): Al predecir una realización aleatoria única, el modelo NF logra una estadística K-S de 0.010 y una WD de 0.046, superando significativamente a los modelos deterministas en la reproducción de la forma de la distribución real. Aunque el PCC para una realización única es menor (0.652) debido a la dispersión intrínseca, el modelo captura correctamente el comportamiento global sin sesgo sistemático. La predicción media del NF se comporta de manera comparable al RF en términos de PCC (0.807), pero retiene la capacidad de modelar la anchura de la distribución.
• Distribuciones Conjuntas: El modelo NF reproduce con éxito la dispersión en las distribuciones conjuntas, tales como el sesgo frente a la masa estelar y el sesgo frente al color, con estadísticas K-S 2D de 0.017 y 0.029, respectivamente.
• Distribuciones Condicionales: El estudio muestra que la capacidad del modelo NF para restringir las distribuciones de probabilidad individuales depende fuertemente de las características de entrada. Condicionar con características de baja información (por ejemplo, el espín del halo) resulta en distribuciones anchas similares al prior global, mientras que condicionar con características de alta información (por ejemplo, $\delta_8$) produce distribuciones objetivas y estrechamente restringidas.

Significancia
El artículo afirma que su marco proporciona una base para futuros esfuerzos de medición del sesgo de galaxias individuales utilizando los próximos sondeos espectroscópicos, como el Instrumento de Espectroscopía de Energía Oscura (DESI). Al demostrar que los métodos probabilísticos como los Flujos de Normalización son necesarios para capturar la varianza intrínseca del sesgo de las galaxias, este trabajo ofrece una herramienta más robusta para la inferencia cosmológica. Los resultados sugieren que, si bien los modelos deterministas son suficientes para predecir tendencias medias, son inadecuados para caracterizar la naturaleza estocástica completa de la conexión galaxia-halo, lo cual es crítico para la cosmología de precisión. El estudio también destaca que las propiedades ambientales, específicamente las sobredensidades a gran escala, dominan la predicción del sesgo de las galaxias sobre las propiedades internas de los halos.