Benchmarking Exact, GP-Emulated, and Simulation-Based Inference for Late-Time Cosmology

Resumen Técnico: Evaluación Comparativa de la Inferencia Exacta, Emulada por GP y Basada en Simulaciones para la Cosmología de Tiempos Tardíos

Planteamiento del Problema
Los sondeos cosmológicos modernos están generando conjuntos de datos de un tamaño y precisión crecientes, lo que crea un cuello de botella computacional para la estimación bayesiana de parámetros. Aunque el MCMC (Monte Carlo por Cadenas de Markov) exacto sigue siendo el estándar de oro estadístico, su coste computacional escala desfavorablemente con la dimensionalidad de los conjuntos de datos y la complejidad de las funciones de verosimilitud. Este trabajo aborda la necesidad de procesos de inferencia que sean tanto estadísticamente fiables como computacionalmente escalables. Específicamente, los autores investigan la compensación entre la eficiencia computacional y la fidelidad estadística al reemplazar las evaluaciones de verosimilitud exactas por modelos sustitutos o enfoques basados en simulaciones en el contexto de la cosmología $\Lambda$CDM de tiempos tardíos.

Metodología
El estudio realiza una comparación sistemática y controlada de tres estrategias de inferencia distintas utilizando modelos cosmológicos, prioris y conjuntos de datos observacionales idénticos. El análisis se centra en un modelo $\Lambda$CDM espacialmente plano restringido por la constante de Hubble ($H_0$) y el parámetro de densidad de materia actual ($\Omega_{m,0}$).

1. Conjuntos de Datos: El análisis utiliza dos combinaciones de sondas de tiempos tardíos:
   • CC+DESI: Cronómetros Cósmicos (CC) y mediciones anisotrópicas de Oscilaciones Acústicas de Bariones (BAO) de DESI DR2.
   • CC+DESI+PP: La combinación anterior junto con la compilación de supernovas Tipo Ia Pantheon+ (PP), creando una verosimilitud de mayor dimensión con mayor poder de restricción.
2. Estrategias de Inferencia:
   • MCMC Exacto: Sirve como referente, muestreando la verosimilitud completa directamente utilizando el muestreador de ensamble emcee.
   • MCMC Emulado por GP: Utiliza un emulador de Procesos Gaussianos (GP) entrenado sobre un Muestreo de Hipercubo Latino (LHS) del espacio de parámetros. Para mejorar la eficiencia, el Análisis de Componentes Principales (PCA) comprime los vectores de observables de alta dimensión antes de entrenar modelos GP independientes. El emulador reemplaza las costosas evaluaciones del modelo directo durante el muestreo de MCMC.
   • Inferencia Basada en Simulaciones (SBI): Emplea la Estimación de la Posterior Neuronal Secuencial (SNPE) a través del marco sbi. Este enfoque libre de verosimilitud entrena un estimador de densidad neuronal sobre pares de parámetros-observaciones sintéticos generados por el modelo directo $\Lambda$CDM. Una vez entrenado, la posterior puede muestrearse instantáneamente para cualquier nuevo vector de datos.

Contribuciones Clave y Resultados
El artículo cuantifica el acuerdo estadístico y los costes computacionales de estos métodos a través de las dos combinaciones de conjuntos de datos:

• Fidelidad Estadística:
  • Para la combinación CC+DESI, tanto la emulación por GP como la SBI reproducen las restricciones de la posterior exacta sobre $H_0$ y $\Omega_{m,0}$ con una precisión superior a $0.3\sigma$. Las distribuciones de la posterior son visualmente indistinguibles de los resultados del MCMC exacto.
  • Para la combinación más restrictiva CC+DESI+PP, emergen desplazamientos modestos dependientes del método. El emulador GP muestra un desplazamiento de $\sim 1.53\sigma$ en $\Omega_{m,0}$, y la SBI muestra un desplazamiento de $\sim 1.44\sigma$ en $H_0$ con respecto al MCMC exacto. A pesar de estas tensiones a nivel de parámetros, todos los métodos recuperan una historia de expansión $H(z)$ casi idéntica, con desviaciones que permanecen en el nivel de porcentaje (máximo $\sim 1.3\%$ para GP y $\sim 0.6\%$ para SBI) en todo el rango de redshift $z \in [0, 2.5]$.
• Eficiencia Computacional:
  • MCMC Exacto: Escala linealmente con el número de evaluaciones de verosimilitud. Para CC+DESI+PP, requiere aproximadamente 3 horas de tiempo de ejecución (wall-clock time).
  • Emulación por GP: Acelera las evaluaciones de modelos individuales pero permanece limitado por el proceso de muestreo de MCMC. Reduce el tiempo de ejecución para CC+DESI+PP a $\sim 2.5$ horas, pero incurre en una sobrecarga por el entrenamiento y el PCA.
  • SBI: Logra reducciones de órdenes de magnitud en el tiempo de ejecución total. Para CC+DESI+PP, la SBI completa el proceso en $\sim 10$ minutos. El coste computacional está amortizado: la mayor parte del tiempo se dedica a la generación de simulaciones y al entrenamiento de la red neuronal, mientras que la inferencia de la posterior es insignificante.
• Convergencia: El estudio identifica el presupuesto de simulación requerido para obtener resultados estables de SBI. Para CC+DESI, $\sim 30,000$ simulaciones son suficientes para igualar al MCMC exacto dentro de $0.3\sigma$. Para el más complejo CC+DESI+PP, se requieren presupuestos de $50,000$a$100,000$ simulaciones para controlar los sesgos por debajo de $\lesssim 1\sigma$.

Significancia y Reivindicaciones
Los autores afirman que las técnicas de inferencia acelerada han madurado hasta el punto en que pueden servir como alternativas prácticas a la toma de muestras de verosimilitud convencional para aplicaciones de cosmología de tiempos tardíos. El estudio demuestra que:

1. Fiabilidad: Tanto la emulación por GP como la SBI pueden ofrecer restricciones cosmológicas fiables para conjuntos de datos realistas, preservando la evolución cosmológica subyacente incluso cuando las posteriores de los parámetros muestran desviaciones menores.
2. Escalabilidad: La SBI ofrece un paradigma cualitativamente diferente donde el coste computacional se desplaza a una etapa de entrenamiento inicial, lo que la hace particularmente atractiva para datos de alta dimensión, análisis repetidos y optimización de sondeos.
3. Practicidad: Aunque el MCMC exacto sigue siendo el referente necesario para el rigor estadístico, el artículo argumenta que los métodos acelerados proporcionan vías viables para la inferencia escalable en la era de la cosmología de precisión, siempre que el presupuesto de simulación sea suficiente para asegurar la convergencia.

El trabajo concluye que establecer los dominios de fiabilidad y comprender las limitaciones de estos métodos a medida que los conjuntos de datos crecen en complejidad es un paso crítico para los futuros análisis cosmológicos que involucren la próxima generación de sondeos como DESI, Euclid y Rubin LSST.