Learning the Universe with cosmological rescaling of merger trees and semi-analytic galaxy formation models

Resumen Técnico: Aprendiendo el Universo con el reescalado cosmológico de árboles de fusión y modelos semianalíticos de formación de galaxias

Planteamiento del Problema
La cosmología moderna depende de mediciones de precisión de los sondeos de estructura a gran escala, lo que requiere predicciones teóricas exactas a través de un amplio rango de parámetros cosmológicos y astrofísicos. Si bien las simulaciones hidrodinámicas cosmológicas (por ejemplo, Horizon-AGN, IllustrisTNG, FLAMINGO) son el estándar de oro para modelar la formación de galaxias, resultan prohibitivamente costosas para el muestreo denso del espacio de parámetros requerido por los métodos de inferencia basados en aprendizaje automático. Los modelos semianalíticos (SAM) ofrecen una alternativa físicamente fundamentada y computacionalmente más económica al evolucionar los bariones a lo largo de árboles de fusión de halos de materia oscura en lugar de resolver la hidrodinámica directamente. Sin embargo, incluso los SAM requieren simulaciones $N$-body subyacentes para generar estos árboles de fusión. Ejecutar los cientos o miles de simulaciones $N$-body necesarios para una inferencia cosmológica robusta sigue siendo computacionalmente prohibitivo.

Metodología
Este trabajo extiende el formalismo de reescalado cosmológico (Angulo & White 2010) para operar directamente sobre árboles de fusión de halos en lugar de instantáneas de partículas o catálogos de halos. Los autores utilizan la suite CAMELS-SAM, que acopla simulaciones $N$-body con el Modelo Semianalítico de Santa Cruz (SC-SAM).

El algoritmo central involucra:

1. Reescalado a nivel de árbol: En lugar de reescalar partículas y volver a ejecutar buscadores de halos, el método reescala las propiedades de los nodos dentro de los árboles de fusión existentes. La morfología del árbol (el vínculo entre progenitores y descendientes) se preserva, mientras que las propiedades del halo se transforman para coincer con una cosmología objetivo ($\Lambda'$) a partir de una cosmología original ($\Lambda$).
2. Corrección basada en NFW: Se introduce una novedosa corrección para suprimir el sesgo sistemático en las masas de los halos reescalados, particularmente cuando se varían $\Omega_m$ y $\sigma_8$. Esta corrección modifica el reescalado de los parámetros del perfil de densidad NFW ($\rho_0$ y $R_s$) utilizando un parámetro libre $\alpha$ y un factor de escala $A_{scale}$ derivado del umbral de sobredensidad virial.
3. Interpolación temporal: Dado que la suite CAMELS-SAM carece de instantáneas para $z < 0$, el reescalado a un $\sigma_8$ o $\Omega_m$ más bajo (donde la formación de estructuras es más lenta) requiere mapear la instantánea de $z=0$ de la simulación original a un redshift futuro en la cosmología objetivo. El método interpola linealmente las propiedades de los halos entre las dos instantáneas que las enmarcan para obtener valores precisos en $z=0$.
4. Reevaluación del SAM: Los árboles de fusión reescalados se procesan a través del SC-SAM para generar nuevas poblaciones de galaxias. Esto permite la generación de estadísticas de galaxias a través de nuevos parámetros cosmológicos y astrofísicos con un costo adicional insignificante comparado con la ejecución de nuevas simulaciones $N$-body.

Contribuciones Clave

1. Extensión a Árboles de Fusión: Los autores demuestran que el reescalado cosmológico puede aplicarse directamente a los árboles de fusión, evitando las costosas etapas de búsqueda de halos y construcción de árboles requeridas por el reescalado a nivel de partículas.
2. Supresión de Sesgo: La introducción de la corrección basada en NFW (controlada por un único parámetro $\alpha$) reduce el sesgo sistemático en las masas de los halos reescalados a menos del por ciento para pasos en $\Omega_m$ y $\sigma_8$.
3. Validación: El método se valida contra simulaciones $N$-body directas con condiciones iniciales idénticas pero diferentes cosmologías. El reescalado reproduce con precisión las propiedades individuales de los halos (masa, concentración, espín) y las propiedades de las galaxias (masa estelar, tasa de formación estelar) sin un sesgo sistemático significativo.
4. Eficiencia en la Estimación de Parámetros: Los autores aplican el método para entrenar estimadores de redes neuronales para $\Omega_m$ y $\sigma_8$ utilizando la Función de Masa Estelar (SMF) y la función de correlación de dos puntos (2PCF).

Resultados

• Precisión: Los árboles de fusión reescalados producen poblaciones de galaxias que igualan la precisión de las simulaciones directas. El sesgo en las masas de los halos reescalados se suprime de $\sim 11\%$ (sin corrección) a $< 0.25\%$. La dispersión en las predicciones de masa estelar de los árboles reescalados es comparable a la dispersión introducida al variar la semilla aleatoria en el modelo de órbita de satélite del SC-SAM.
• Eficiencia Computacional: El reescalado de todos los árboles de fusión de una sola simulación $N$-body de CAMELS-SAM cuesta $\sim 0.1$ CPUh, en comparación con los miles de CPUh requeridos para ejecutar la simulación misma.
• Reducción del Conjunto de Entrenamiento:
  • Un conjunto de entrenamiento de 1,000 simulaciones reescaladas generadas a partir de tan solo 64 simulaciones $N$-body base iguala la precisión de la estimación de parámetros (RMSE) de un modelo entrenado con 750 simulaciones $N$-body dedicadas.
  • Aumentar el número de realizaciones reescaladas a 3,200 (de 750 simulaciones base) mejora la predicción de $\Omega_m$ en un $\sim 25\%$ en comparación con el entrenamiento basado únicamente en las 750 simulaciones base.
  • Para la SMF, el rendimiento está dominado por el error de reescalado, el cual se minimiza con suficientes simulaciones base. Para la 2PCF, el rendimiento es más sensible al número de fases independientes de las condiciones iniciales (varianza cósmica), saturándose después de $\sim 16$ fases únicas.

Significancia y Afirmaciones
El artículo afirma demostrar una ruta práctica para obtener predicciones de estadísticas de resumen de galaxias a través de parámetros cosmológicos y astrofísicos sin la carga computacional de ejecutar suites masivas de simulaciones $N$-body. Al combinar el reescalado de árboles de fusión con el modelado semianalítico, los autores muestran que es posible generar conjuntos de entrenamiento grandes y diversos para la inferencia de aprendizaje automático con una fracción del costo computacional.

Los autores enfatizan que este enfoque actúa como un "esquema de interpolación informado por la física", permitiendo el muestreo denso del espacio de parámetros necesario para la inferencia cosmológica moderna. Señalan que, si bien los resultados actuales son modestos respecto a los observables específicos (SMF y 2PCF) y la suite CAMELS-SAM, el método ofrece una solución escalable para futuros sondeos (por ejemplo, DESI, Euclid, Rubin) que requieren el modelado de volúmenes más grandes y espacios de parámetros más complejos. El trabajo sugiere que las futuras suites podrían optimizarse específicamente para la eficiencia de reescalado, reduciendo potencialmente el número de simulaciones base aún más.