Comparing explicit likelihood and likelihood-free simulation-based inference for weak lensing cosmic shear

तकनीकी सारांश: वीक लेंसिंग कॉस्मिक शीयर के लिए स्पष्ट संभावना (Explicit Likelihood) और संभावना-मुक्त सिमुलेशन-आधारित अनुमान (Likelihood-Free Simulation-Based Inference) की तुलना

समस्या विवरण
स्टेज-IV वीक-लेंसिंग (WL) सर्वेक्षण, जैसे कि यूक्लिड (Euclid) और एलएसएसटी (LSST), गैर-गॉसियन अवलोकनों (विशेष रूप से $\Omega_m$ और $S_8$) से सटीक ब्रह्मांडीय मापदंडों को निकालने का लक्ष्य रखते हैं। जबकि वर्तमान विश्लेषण मुख्य रूप से दो-बिंदु सांख्यिकी (shear-2PCFs) और गॉसियन संभावना सन्निकटन (Gaussian likelihood approximations) पर निर्भर करते हैं, यह दृष्टिकोण लेंसिंग क्षेत्र को संकुचित करता है और गैर-रैखिक पदार्थ विकास (non-linear matter evolution) से प्राप्त होने वाली पूर्ण जानकारी को पकड़ने में विफल रहता है। जैसे-जैसे सारांश सांख्यिकी (summary statistics) अधिक सूचनात्मक और गैर-रैखिक होती जाती है, गॉसियन संभावना धारणा तेजी से अनुचित होती जाती है, जिससे पक्षपाती बाधाएं (biased constraints) उत्पन्न हो सकती हैं। इसके विपरीत, संभावना-मुक्त अनुमान (LFI) न्यूरल डेंसिटी एस्टिमेटर्स (NDEs) का उपयोग करके सिमुलेशन से सीधे संभावना को सीखने का एक तरीका प्रदान करता है, जिससे स्पष्ट संभावना मॉडलिंग की आवश्यकता समाप्त हो जाती है। हालांकि, समान सिमुलेशन सूट्स, मेल खाते अवलोकनों और संपीड़न रणनीतियों (compression strategies) का उपयोग करके ELI और LFI के बीच एक व्यवस्थित तुलना को बहुत कम खोजा गया है। यह कार्य इस समझ के अंतर को संबोधित करता है कि क्या विसंगतियां सांख्यिकीय धारणाओं, संख्यात्मक कार्यान्वयन, या सारांश सांख्यिकी की सूचना सामग्री से उत्पन्न होती हैं।

कार्यप्रणाली
लेखक GLASS फ्रेमवर्क के माध्यम से उत्पन्न यूक्लिड-समान सिमुलेशन के एक सामान्य सेट का उपयोग करते हैं, जो अंतिम यूक्लिड डेटा रिलीज़ 3 (DR3) का प्रतिनिधित्व करने वाले शेप नॉइज़ इंजेक्शन के साथ फुल-स्काई गॉसियन शीयर मैप्स उत्पन्न करता है। विश्लेषण एक नॉन-टोमोग्राफिक कॉन्फ़िगरेशन पर केंद्रित है जिसमें $z_{max}=3$ तक विस्तृत एक एकल रेडशिफ्ट बिन शामिल है।

1. डेटा जनरेशन और संपीड़न (Data Generation & Compression):

   • सिमुलेशन: $\Omega_m$ और $\sigma_8$ को बदलने के लिए लैटिन हाइपरक्यूब सैंपलिंग (LHS) का उपयोग किया जाता है। डीप लर्निंग ट्रेनिंग (LHS0) और एम्युलेटर ट्रेनिंग एवं LFI विश्लेषण (LHS1) के लिए 5,100 कॉस्मोलॉजिकल नोड्स के दो स्वतंत्र सेट उत्पन्न किए गए हैं।
   • सारांश सांख्यिकी (Summary Statistics): फ्लैट-स्काई पैचेस पर दो प्रोब मापे जाते हैं:
     • शीयर टू-पॉइंट कोरिलेशन फंक्शन्स ($\xi_\pm$), जो एक गॉसियन प्रोब है।
     • एक मैप-लेवल कन्वेशनल न्यूरल नेटवर्क (CNN) सांख्यिकी, जो रेसनेट-18 (ResNet-18) आर्किटेक्चर का उपयोग करता है, जो एक गैर-रैखिक प्रोब है।
   • संपीड़न (Compression): उच्च-आयामी डेटा वेक्टर्स (DVs) को पैरामीटर स्पेस डायमेंशन ($n_p=2$) में दो विधियों का उपयोग करके संकुचित किया जाता है:
     • MOPED: संख्यात्मक डेरिवेटिव और कोवेरिएंस मैट्रिक्स का उपयोग करके एक रैखिक, फिशर-इष्टतम संपीड़न।
     • न्यूरल नेटवर्क (NN) संपीड़न: एक गैर-रैखिक मल्टीलेयर पर्सेप्ट्रॉन (MLP) जिसे DVs को मापदंडों में मैप करने के लिए प्रशिक्षित किया गया है।

2. अनुमान ढांचा (Inference Frameworks):

   • स्पष्ट संभावना अनुमान (Explicit Likelihood Inference - ELI): यह संकेतों के माध्य (mean signal) की भविष्यवाणी करने के लिए गॉसियन प्रोसेस (GP) एम्युलेटर्स का उपयोग करता है। यहाँ संभावना को मल्टीवेरिएट गॉसियन माना जाता है, जिसे GP भविष्यवाणी और एक अनुमानित कोवेरिएंस मैट्रिक्स का उपयोग करके बनाया गया है। संभाव्यता नमूनाकरण (Posterior sampling) MCMC के माध्यम से किया जाता है।
   • संभावना-मुक्त अनुमान (Likelihood-Free Inference - LFI): यह सिमुलेशन जोड़ों से सीधे संभावना या पोस्टीरियर को सीखने के लिए न्यूरल डेंसिटी एस्टिमेटर्स (NDEs) का उपयोग करता है। अध्ययन न्यूरल स्पलाइन फ्लो (NSF), मास्कड ऑटोरेग्रेसिव फ्लो (MAF), और मिक्सचर डेंसिटी नेटवर्क (MDN) जैसे आर्किटेक्चर का उपयोग करके न्यूरल लाइकलीहुड एस्टीमेशन (NLE) और न्यूरल पोस्टीरियर एस्टीमेशन (NPE) की तुलना करता है।

3. वैधीकरण (Validation):

   • अध्ययन अनुमानित पोस्टीरियर्स की विश्वसनीयता का आकलन करने के लिए एक पोस्टीरियर कैलिब्रेशन डायग्नोस्टिक, विशेष रूप से रैंडम पॉइंट्स के साथ सटीकता का परीक्षण (TARP) का उपयोग करता है।
   • संकुचित सारांशों की गॉसियनिटी का परीक्षण कोलमोगोरोव-स्मिरनोव (KS) परीक्षणों और ग्लोबल $\chi^2$ गुडनेस-ऑफ-फिट परीक्षणों का उपयोग करके किया जाता है।

मुख्य परिणाम

• कैलिब्रेशन विसंगतियां: एम्यूलेशन की अशुद्धियों या जब संभावना गैर-गॉसियन होती है, तो ELI दृढ़ता से मिसकैलिब्रेटेड हो जाता है। इसके विपरीत, LFI सभी परीक्षण किए गए परिदृश्यों में लगातार सुसंगत रूप से सु-कैलिब्रेटेड (well-calibrated) रहता है।
• संपीड़न का प्रभाव: संपीड़न योजना का चुनाव ELI के प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है। जबकि MOPED-संकुचित शीयर-2PCFs गॉसियन के करीब हैं, NN-संकुचित सारांश मजबूत गैर-गॉसियनिटी प्रदर्शित करते हैं। फलस्वरूप, $\Omega_m$ और $S_8$ पर ELI प्रतिबंध CNN सांख्यिकी के साथ अनुमानित प्रतिबंधों से दो गुना तक भिन्न हो सकते हैं, जो ELI में गॉसियन संभावना धारणा की विफलता के कारण होता है।
• LFI मजबूती: जब एम्यूलेशन त्रुटि और संभावना गैर-गॉसियनिटी के मुद्दों को संबोधित किया जाता है, तो ELI और LFI के बीच असहमति काफी हद तक समाप्त हो जाती है। LFI के लिए, शीयर-2PCFs और CNN सांख्यिकी से प्राप्त प्रतिबंधों के बीच विसंगति घटकर लगभग 30% रह जाती है, जो डीप-लर्निंग प्रोब की मजबूती को उजागर करती है।
• गॉसियनिटी परीक्षण: अध्ययन प्रकट करता है कि जबकि वैश्विक $\chi^2$ परीक्षण कुछ संकुचित सारांशों के लिए पास हो सकते हैं, प्रति-बिन मार्जिनल KS परीक्षण महत्वपूर्ण गैर-गॉसियनिटी को प्रकट कर सकते हैं (जैसे, NN-संकुचित शीयर-2PCFs में), जो ELI में उपयोग किए जाने वाले गॉसियन संभावना अनुमान को अमान्य करने के लिए पर्याप्त है।

महत्व और दावे
लेखक निष्कर्ष निकालते हैं कि उनके विशिष्ट सेटअप में—जो व्यवस्थित पूर्वाग्रहों (systematic biases) की उपेक्षा करता है—वीक लेंसिंग सर्वेक्षणों से ब्रह्मांडीय जानकारी निकालने के लिए LFI, पारंपरिक ELI की तुलना में अधिक मजबूत और बेहतर-कैलिब्रेटेड ढांचा प्रदान करता है। पेपर इस बात पर जोर देता है कि सटीक गैर-गॉसियन संभावना मॉडलिंग और कठोर पोस्टीरियर कैलिब्रेशन डायग्नोस्टिक्स भविष्य के ELI विश्लेषणों के लिए आवश्यक हैं। परिणाम यह भी रेखांकित करते हैं कि टू-पॉइंट स्तर से परे जटिल जानकारी कैप्चर करने के लिए (जैसे कि CNNs जैसे डीप-लर्निंग प्रोब्स) संभावित रूप से त्रुटिपूर्ण गॉसियन सन्निकटन पर निर्भर किए बिना, संभावना-मुक्त विधियों के साथ डीप-लर्निंग प्रोब्स का संयोजन कितना प्रभावी है। यह अध्ययन भविष्य के स्टेज-IV WL सर्वेक्षणों में ELI और LFI के अनुप्रयोग के लिए एक सत्यापन ढांचा और मार्गदर्शन प्रदान करता है।