Bayesian Deep Gaussian Processes for Correlated Functional Data: A Case Study in Cosmological Matter Power Spectra

Sintesi Tecnica: Processi Gaussiani Profondi Bayesiani per Dati Funzionali Correlati

Definizione del Problema
Il documento affronta la sfida di stimare lo spettro di potenza della materia "a volume infinito", $P_\infty(k)$, da simulazioni cosmologiche computazionali. Nello specifico, gli autori si concentrano sulla suite di simulazioni Mira-Titan, che fornisce molteplici curve di risposta di diversa fedeltà per un dato insieme di parametri cosmologici (una "cosmologia"). Questi output includono:

1. Spettri della teoria delle perturbazioni ($P_p$): derivati analiticamente, accurati solo per grandi scale spaziali (bassi numeri d'onda, $k < 0.04$).
2. Simulazioni a bassa risoluzione ($P_{\ell r}$): 16 realizzazioni correlate per ogni cosmologia, accurate per scale intermedie ($0.04 \le k \le 0.25$) ma soggette a casualità di inizializzazione.
3. Simulazioni ad alta risoluzione ($P_h$): una singola realizzazione per ogni cosmologia, accurata per un intervallo più ampio ($0.04 \le k \le 5$), ma comunque soggetta a effetti di volume finito a bassi $k$.

La difficoltà principale risiede nel sintetizzare questi output funzionali eterogenei, correlati e rumorosi per stimare il $P_\infty(k)$ liscio e non casuale, fornendo al contempo una rigorosa Quantificazione dell'Incertezza (UQ). Gli approcci esistenti spesso trattano questi output come osservazioni scalari indipendenti o non riescono a rendere conto della dipendenza spaziale intrinseca nelle curve funzionali attraverso i numeri d'onda. Inoltre, gli autori mirano a costruire un modello surrogato (emulator) per predire gli spettri per cosmologie non osservate senza eseguire nuove costose simulazioni.

Metodologia
Gli autori propongono un modello Processo Gaussiano Profondo (DGP) Gerarchico Bayesiano, denominato DGP.FCO, progettato specificamente per output funzionali correlati.

1. Struttura Gerarchica:

   • Livello di Osservazione: La media pesata osservata degli output di simulazione ($\bar{Y}$) è modellata come una realizzazione rumorosa dello spettro sottostante $S$. A differenza degli approcci precedenti che assumono una covarianza del rumore diagonale, questo modello impiega una matrice di covarianza densa $\Sigma_\epsilon$ (basata su un kernel di Matérn) per catturare la dipendenza spaziale fluida e le correlazioni attraverso i numeri d'onda.
   • Livello dello Spettro Latente: Lo spettro sottostante $S$ è modellato come un Processo Gaussiano centrato sullo zero, $S \sim \text{GP}(0, \Sigma_S(W))$.
   • Livello Latente Profondo: Per gestire la non stazionarietà (specificamente le oscillazioni acustiche barioniche nell'intervallo $-1.4 \le \log_{10}(k) \le -0.8$), lo spazio di input $X$ (numeri d'onda) è deformato da un processo gaussiano monotono latente, $W \sim \text{monoGP}$. Questa deformazione permette al modello di adattare la regolarità della realizzazione dello spettro attraverso diverse scale.

2. Inferenza:

   • Gli autori utilizzano l'Elliptical Slice Sampling (ESS) per inferire la funzione di deformazione latente $W$ e passi di Metropolis-Hastings all'interno di un framework di Gibbs per aggiornare gli iperparametri del kernel ($\theta_S, \theta_W$).
   • La distribuzione a posteriori dello spettro $S$ è derivata in forma chiusa dati i valori latenti, permettendo il campionamento diretto per calcolare le medie a posteriori e gli intervalli di credibilità al 95%.

3. Emulazione per Cosmologie Non Osservate:

   • Per predire gli spettri per nuove cosmologie, gli autori impiegano un approccio in due fasi. In primo luogo, il modello DGP.FCO viene utilizzato per stimare gli spettri per le cosmologie di addestramento.
   • Questi spettri stimati vengono poi decomposti utilizzando l'Analisi delle Componenti Principali (PCA).
   • Un separato emulator a Processo Gaussiano viene addestrato sui pesi delle componenti principali in funzione degli otto parametri cosmologici. Questo modello surrogato consente una rapida predizione di spettri per configurazioni cosmologiche non osservate.

Contributi Chiave

• Estensione dei DGP Bayesiani: Il lavoro estende i Processi Gaussiani Profondi Bayesiani da risposte scalari a output funzionali correlati. Questa è una nuova applicazione dei DGP nel contesto degli esperimenti computazionali.
• Sintesi di Dati Multi-Fidelity: Il modello sintetizza efficacemente i dati di teoria delle perturbazioni, simulazioni a bassa risoluzione e ad alta risoluzione, rispettando l'intervallo di numeri d'onda in cui ciascuna fonte di dati è non viesata.
• Integrazione della Conoscenza di Dominio: Il modello incorpora esplicitamente la conoscenza esperta riguardo l'affidabilità delle diverse fonti di dati (tramite matrici di precisione) e la natura non stazionaria degli spettri (tramite il GP monotono latente).
• Benchmarking: Il metodo è validato contro dati sintetici e il modello CAMB (Code for Anisotropies in the Microwave Background), che fornisce una "verità fondamentale" a volume infinito nota. È inoltre confrontato con lo stato dell'arte, Cosmic Emu (un approccio di convoluzione di processi profondi), sul dataset Mira-Titan.

Risultati

• Esperimenti Sintetici e CAMB: Negli studi di simulazione in cui la curva sottostante reale è nota, il modello DGP.FCO supera i metodi concorrenti (DGP standard, GP eteroschedastico e convoluzione di processi profondi) in termini di log score, una regola di punteggio appropriata che valuta sia l'accuratezza che la calibrazione dell'incertezza. Gli autori notano che tenere conto della dipendenza spaziale tra le osservazioni porta a una UQ più efficace.
• Emulazione Mira-Titan: Quando predice gli spettri per cosmologie non utilizzate per l'addestramento, il metodo proposto (DGP.FCO + PCA + emulator GP) performa favorevolmente rispetto all'esistente Cosmic Emu.
• Quantificazione dell'Incertezza: Il modello gerarchico fornisce con successo intervalli di credibilità che riflettono l'incertezza derivante dai volumi finiti delle simulazioni e dalla casualità di inizializzazione, che le semplici medie pesate non riescono a catturare adeguatamente.

Significatività e Rivendicazioni
Gli autori affermano che il loro approccio fornisce un framework robusto per stimare lo spettro di potenza della materia a volume infinito da suite di simulazioni complesse e multi-fedeltà. Passando oltre le risposte scalari verso output funzionali correlati, il metodo cattura la fluidità intrinseca e la dipendenza degli spettri cosmologici che altri emulator perdono. Il lavoro si posiziona come un passo critico verso l'analisi efficiente di grandi survey cosmologiche (es. Euclid, LSST), dove la predizione rapida e accurata degli spettri di potenza della materia con una quantificazione dell'incertezza affidabile è essenziale per vincolare i parametri cosmologici. Gli autori forniscono i dati, il codice riproducibile e un pacchetto R per facilitare l'adozione di questo modello DGP Bayesiano.