Simulation-Based Inference for Cluster Cosmology with Set-Based Neural Network Architectures

Resumen Técnico: Inferencia Basada en Simulaciones para la Cosmología de Cúmulos con Arquitecturas de Redes Neuronales Basadas en Conjuntos

Planteamiento del Problema
El próximo sondeo de cielo completo SRG/eROSITA proporcionará una potencia estadística sin precedentes a través de grandes catálogos de cúmulos de galaxias seleccionados en rayos X. La extracción de restricciones cosmológicas de estos conjuntos de datos requiere marcos estadísticos robustos que vinculen de manera precisa las cantidades observables con los parámetros cosmológicos subyacentes. Los análisis tradicionales dependen de métodos de Monte Carlo por Cadenas de Markov (MCMC), que típicamente implican la computación numérica de las densidades de número de cúmulos esperadas mediante funciones de verosimilitud. Estos enfoques enfrentan limitaciones significativas: a menudo requieren comprimir los datos en estadísticas de resumen agrupadas (lo que conlleva una pérdida de información), luchan con la complejidad de modelos de alta dimensión debido a la necesidad de integrar fuera de numerosos parámetros de molestia (nuisance parameters), y sufren un aumento en los costos computacionales a medida que crecen los tamaños de muestra y los datos auxiliares (por ejemplo, el lensing débil). Además, modelar las complejas funciones de selección de los sondeos, la dispersión intrínseca y las correlaciones entre observables se vuelve cada vez más difícil dentro de los marcos de verosimilitud estándar.

Metodología
Los autores desarrollan e implementan un marco de Inferencia Basada en Simulaciones (SBI, por sus siglas en inglés) diseñado para eludir la necesidad de una función de verosimilitud explícita. El método opera en dos etapas distintas utilizando redes neuronales entrenadas con catálogos simulados realistas calibrados para el sondeo eRASS1:

1. Pipeline de Generación de Mocks: Un modelo de propagación hacia adelante (forward model) genera catálogos sintéticos de cúmulos de galaxias basados en un subconjunto de 11 parámetros (5 cosmológicos, 5 de la relación de escala de rayos X y 1 coeficiente de correlación). El pipeline incluye:

   • Muestreo de la Función de Masa de Halos (HMF).
   • Aplicación de relaciones de escala para tasas de conteo de rayos X y masas de lensing débil (WL), incluyendo la dispersión correlacionada intrínseca.
   • Modelado de la función de selección de eRASS1 (específicamente un corte de $L_{ext} > 10$ para alta pureza) y la dispersión del instrumento.
   • Generación de perfiles de cizalladura tangencial (modelados tras sondeos tipo DES) para incorporar información de lensing débil.
   • Los catálogos resultantes contienen un número variable de cúmulos, donde cada cúmulo está representado por un vector de 8 dimensiones (log de la tasa de conteo, redshift y seis valores de cizalladura tangencial).

2. Arquitectura Neuronal:

   • Red de Incrustación Basada en Conjuntos (Set-Based Embedding Network): Para manejar el número variable de cúmulos en cada catálogo sin un agrupamiento rígido, los autores emplean una red neuronal basada en conjuntos (una variación de Deep Sets) que es invariante a la permutación. Esta red procesa cúmulos individuales a través de un codificador ($\phi$) y agrega los vectores de características resultantes utilizando un agregador invariante a la permutación. El agregador calcula estadísticas que incluyen la cardinalidad del conjunto ($\log N$), suma, media, máximo y una matriz de correlación de características cruzadas. Esto produce un vector de resumen de longitud fija y altamente informativo.
   • Estimación de la Posterior Neuronal: El vector de resumen se introduce en un Flujo Autorregresivo Enmascarado (MAF), un tipo de flujo de normalización. El MAF aprende la distribución posterior condicional $p(\theta | \hat{x})$ directamente de la distribución conjunta de parámetros y estadísticas de resumen generadas por el pipeline de mocks. El objetivo de entrenamiento minimiza la log-verosimilitud negativa de los parámetros reales dados los estadísticos de resumen.

Contribuciones Clave

• Manejo de Entradas de Longitud Variable: Este trabajo presenta la primera aplicación de la SBI a la inferencia bayesiana de cúmulos seleccionados en rayos X que no requiere dimensiones de vectores de entrada fijas. Al utilizar redes neuronales basadas en conjuntos, el método procesa catálogos de tamaños variables de forma natural, evitando la pérdida de información asociada con el agrupamiento tradicional.
• Utilización de Información Completa: El marco utiliza todo el contenido de información a nivel de cúmulo, incluyendo perfiles de cizalladura individuales y tasas de conteo, en lugar de comprimir los datos en estadísticas de resumen predefinidas.
• Robustez ante Efectos del Sondeo: El método es probado contra efectos de sondeo realistas, incluyendo sesgos de selección y dispersión intrínseca en las relaciones de escala, demostrando robustez a través de pruebas de calibración rigurosas.
• Escalabilidad: La arquitectura está diseñada para ser extensible a modelos de propagación hacia adelante más complejos y observables adicionales sin la explosión computacional que a menudo se observa en la marginalización MCMC sobre parámetros de molestia.

Resultados
El marco fue validado utilizando 200,000 catálogos simulados (mocks). Los hallazgos clave incluyen:

• Recuperación de Parámetros: El método recupera exitosamente las cosmologías de entrada dentro de las incertidumbres inferidas. Para un tamaño de muestra de mock de $\sim 3,300$ cúmulos (que coincide con el tamaño de muestra efectivo del subconjunto $L_{ext} > 10$ de eRASS1), las restricciones promedio alcanzadas son del 11.5% en $\Omega_m$ y del 4.4% en $\sigma_8$.
• Comparación con MCMC: A pesar de usar un subconjunto de cúmulos más pequeño (3,259 frente a 5,259 en el análisis G24) y omitir la riqueza óptica como proxy de masa, la precisión de la SBI es comparable a los análisis MCMC tradicionales basados en muestras más grandes. El marco de SBI también demostró una recuperación más ajustada de la dispersión intrínseca en la relación de escala de rayos X en comparación con el enfoque MCMC.
• Calibración: El estimador de la posterior pasó los diagnósticos de Calibración de Simulación Basada en la Computación (SBC) y la Prueba de Exactitud con Puntos Aleatorios (TARP), confirmando que las posteriores estimadas están bien calibradas y son no sesgadas, con solo una ligera tendencia hacia el exceso de confianza.
• Desempeño: La red de resumen logró un coeficiente de determinación ($R^2$) de aproximadamente 0.93 en el conjunto de validación para los parámetros restringidos.

Significancia
El artículo posiciona este trabajo como una validación metodológica de la SBI para los análisis de la estructura a gran escala de próxima generación. Los autores enfatizan que, si bien el estudio actual se centra en datos simulados para validar el marco, el enfoque ofrece una alternativa flexible a MCMC que puede manejar la creciente complejidad del modelo y el volumen de datos sin los costos computacionales prohibitivos de la integración de alta dimensión. El marco se presenta como fácilmente extensible a futuros sondeos de cúmulos de rayos X y análisis multi-longitud de onda (por ejemplo, combinándose con los telescopios Euclid o Roman), ofreciendo un camino hacia la estimación de parámetros cosmológicos eficiente y precisa en la era de los conjuntos de datos masivos. Los autores señalan que la aplicación de este marco a datos observacionales reales se difiere para trabajos futuros, a la espera de adaptaciones adicionales para manejar características específicas de los datos como la cobertura parcial de cizalladura.