HaloFlow II: Robust Galaxy Halo Mass Inference with Domain Adaptation

Resumen Técnico: HaloFlow II – Inferencia Robusta de Masa de Halos con Adaptación de Dominio

1. El Problema: Sesgo y Falta de Generalización en la Inferencia Basada en Simulaciones

La estimación precisa de las masas de los halos de materia oscura ($M_h$) de las galaxias es fundamental para la cosmología y el estudio de la formación de galaxias. El método anterior, HaloFlow, utiliza Inferencia Basada en Simulaciones (SBI) y redes de flujo normalizante (Normalizing Flows) para inferir la distribución posterior de la masa estelar ($M_*$) y la masa del halo ($M_h$) a partir de imágenes sintéticas de galaxias.

Sin embargo, HaloFlow adolece de una limitación crítica: es intrínsecamente específico del conjunto de datos. Cuando se entrena en una simulación cosmológica específica (por ejemplo, IllustrisTNG) y se aplica a otra con física de formación galáctica diferente (como EAGLE o SIMBA) o a datos observacionales reales, se produce un desplazamiento de dominio (domain shift). Esto resulta en:

• Sesgos sistemáticos en las estimaciones de masa.
• Posteriores sobreconfiadas (subestimación de la incertidumbre), donde el modelo cree tener más certeza de la que realmente posee.
• Fallos en la calibración, ya que la relación entre las características observables y los parámetros físicos cambia entre simulaciones debido a diferencias en los modelos subgrid, resolución y física.

2. Metodología: HaloFlowDA y Adaptación de Dominio (DA)

Para mitigar estos efectos, los autores introducen HaloFlowDA, una extensión de HaloFlow que integra técnicas de Adaptación de Dominio (DA) no supervisada. El objetivo es aprender representaciones de características invariantes al dominio que retengan la información física relevante para $M_h$ pero descarten las características específicas de cada simulación.

Componentes Clave:

• Datos: Se utilizan imágenes sintéticas forward-modeled (modeladas hacia adelante) de tres simulaciones hidrodinámicas de vanguardia: IllustrisTNG (TNG50/TNG100), EAGLE y SIMBA. Estas imágenes se procesan para imitar las observaciones del programa HSC-SSP (Hyper Suprime-Cam Subaru Strategic Program), incluyendo efectos de polvo, ruido y PSF.
• Arquitectura de Inferencia: Se mantiene el marco de Estimación de la Posterioridad Neural (NPE) de HaloFlow, pero en lugar de usar las características observables crudas ($X$), se alimentan representaciones comprimidas y adaptadas ($\tilde{X}$) generadas por una red de DA.
• Técnicas de DA Implementadas:
  1. Redes Neuronales Adversarias de Dominio (DANN): Utiliza un entrenamiento adversario. Un extractor de características mapea $X$ a un espacio latente, mientras que un clasificador de dominio intenta predecir de qué simulación proviene la imagen. El extractor se entrena para "confundir" al clasificador (usando una capa de reversión de gradiente), forzando la creación de características invariantes al dominio.
  2. Discrepancia de la Media Máxima (MMD): Un enfoque no adversario que minimiza directamente la distancia estadística (usando un kernel RBF) entre las distribuciones de características latentes de los dominios de origen y destino.

Flujo de Trabajo:

1. Se entrena un modelo de DA (DANN o MMD) utilizando datos etiquetados de dos simulaciones (fuentes) y datos no etiquetados de una tercera (objetivo).
2. El modelo de DA se congela y actúa como extractor de características.
3. Las representaciones comprimidas ($\tilde{X}$) se utilizan para entrenar el modelo NPE de HaloFlow.
4. Se evalúa el rendimiento en la simulación de prueba (objetivo) que nunca vio el modelo NPE.

3. Contribuciones Clave

• Introducción de HaloFlowDA: El primer marco que combina SBI con DA para la inferencia de masas de halos, demostrando que la adaptación de dominio es esencial para la generalización entre simulaciones.
• Comparativa de Métodos: Evaluación exhaustiva de DANN frente a MMD en múltiples combinaciones de entrenamiento/prueba (TNG, EAGLE, SIMBA).
• Análisis de Arquitectura: Descubrimiento de que la ubicación de la adaptación de dominio (en el espacio de características latentes de alta dimensión vs. en la salida del regresor) es crítica. DANN funciona mejor en características latentes de mayor dimensión, mientras que MMD es robusto incluso en espacios de salida comprimidos.
• Corrección de Prioridades: Mejoras en la corrección de la prioridad implícita de HaloFlow mediante el ajuste de funciones Schechter suaves y el recorte de colas de la posterior para evitar inestabilidades numéricas.

4. Resultados Principales

• Degradación sin DA: Cuando HaloFlow estándar se entrena en TNG y se prueba en EAGLE (fuera de dominio), la calibración colapsa: solo el 48% de los halos caen dentro del intervalo de credibilidad 1$\sigma$ (frente al 77% esperado en dominio) y el sesgo medido por la métrica $\beta$ aumenta drásticamente (de ~0.58 a ~1.66).
• Mejora con DA:
  • MMD: Muestra el mejor rendimiento y estabilidad. Reduce el sesgo ($\beta$) en un promedio del 31% y hasta un 57% en transferencias difíciles (ej. de SIMBA a EAGLE). Mantiene una precisión comparable al método estándar (relación masa estelar-halo) pero con una calibración superior.
  • DANN: Mejora la robustez en la mayoría de los casos, pero es más sensible a la elección de hiperparámetros y a la inestabilidad del entrenamiento adversario. En algunos casos (ej. entrenamiento en EAGLE), puede aumentar ligeramente el sesgo.
• Comportamiento de Incertidumbre: Ambos métodos de DA producen incertidumbres adaptativas: las barras de error se ensanchan en regiones donde la predicción es ambigua o el desplazamiento de dominio es fuerte, evitando la sobreconfianza.
• Limitaciones: La DA no puede compensar completamente las discrepancias físicas fundamentales. Por ejemplo, cuando SIMBA (con retroalimentación de AGN más agresiva) se usa como dominio objetivo, la mejora es menor, indicando que si la física subyacente es demasiado diferente, la alineación de características no es suficiente.

5. Significado e Implicaciones

• Hacia Datos Reales: Este trabajo establece una base sólida para aplicar modelos entrenados en simulaciones a datos observacionales reales (como HSC-SSP). Dado que ninguna simulación captura perfectamente la física del universo real, la DA es un paso necesario para mitigar el "desplazamiento de dominio" inevitable.
• Validación de Métodos de Compresión: El estudio advierte que los métodos de compresión de información (como redes neuronales para resumir datos) son vulnerables al desplazamiento de dominio si no se implementa DA explícita.
• Futuro: Los autores planean aplicar HaloFlowDA a observaciones reales de galaxias y grupos en HSC-SSP, validando los resultados con lentes gravitacionales débiles y estimaciones de masa dinámica. Esto permitirá restricciones más precisas sobre la fracción bariónica en el medio circumgaláctico (CGM), crucial para entender la distribución de materia bariónica en el universo.

En conclusión, HaloFlowDA transforma la inferencia de masas de halos de un método frágil y dependiente de la simulación específica a una herramienta robusta y generalizable, esencial para la cosmología de precisión en la era de los grandes sondeos astronómicos.