HaloFlow II: Robust Galaxy Halo Mass Inference with Domain Adaptation

Titolo: HaloFlow II: Stima Robusta della Massa degli Aloni Galattici con Adattamento di Dominio

1. Il Problema: Il Divario tra Simulazioni e Osservazioni

La misurazione precisa della massa degli aloni di materia oscura ($M_h$) è fondamentale per la cosmologia e lo studio della formazione delle galassie. Tuttavia, $M_h$ non è direttamente osservabile.
Il lavoro precedente, HaloFlow, ha introdotto un framework di Inferenza Basata su Simulazioni (SBI - Simulation-Based Inference) che utilizza reti neurali per inferire $M_h$ direttamente dalle immagini delle galassie. Sebbene HaloFlow funzioni perfettamente quando i dati di addestramento e test provengono dalla stessa simulazione cosmologica, soffre di un limite critico: la mancanza di generalizzazione.
Quando un modello addestrato su una specifica simulazione (es. IllustrisTNG) viene applicato a una simulazione diversa (es. EAGLE o SIMBA) o, in futuro, a dati osservativi reali, si verifica uno spostamento di dominio (domain shift). Questo accade perché ogni simulazione utilizza modelli fisici sub-grid, risoluzioni numeriche e schemi di feedback diversi. Di conseguenza, il modello standard produce stime di $M_h$ biased (distorte) e over-confident (con intervalli di incertezza troppo stretti), fallendo nel catturare la vera distribuzione a posteriori.

2. Metodologia: HaloFlowDA e Adattamento di Dominio

Per risolvere questo problema, gli autori introducono HaloFlowDA, un'estensione di HaloFlow che integra tecniche di Adattamento di Dominio (Domain Adaptation - DA) non supervisionato. L'obiettivo è apprendere una rappresentazione delle caratteristiche delle galassie che sia invariante al dominio (cioè indipendente dalla simulazione specifica) ma che conservi le informazioni fisiche necessarie per inferire la massa.

Il framework utilizza immagini sintetiche forward-modeled da tre simulazioni idrodinamiche all'avanguardia: IllustrisTNG (TNG50 e TNG100), EAGLE e SIMBA, processate per simulare le osservazioni del Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP).

Vengono testate due strategie di DA:

1. DANN (Domain-Adversarial Neural Networks): Utilizza un approccio avversariale. Una rete estrae le caratteristiche ($X \to \tilde{X}$) cercando di "ingannare" un classificatore di dominio che tenta di identificare da quale simulazione proviene l'immagine. Questo forza l'estrattore a rimuovere le informazioni specifiche del dominio, mantenendo solo quelle fisiche rilevanti.
2. MMD (Maximum Mean Discrepancy): Un approccio non avversariale che minimizza direttamente la distanza statistica (basata su kernel RBF) tra le distribuzioni delle caratteristiche latenti dei diversi domini di addestramento e test.

Flusso di lavoro di HaloFlowDA:

• Le immagini delle galassie vengono convertite in vettori di caratteristiche osservabili ($X$: magnitudini, morfologia, statistiche non parametriche).
• Un modulo DA (DANN o MMD) comprime $X$ in una rappresentazione latente compatta e invariante ($\tilde{X}$).
• Queste rappresentazioni $\tilde{X}$ vengono utilizzate come input per il modello SBI (basato su Normalizing Flows) per stimare la distribuzione a posteriori $p(M_*, M_h | \tilde{X})$.

3. Contributi Chiave

• Introduzione di HaloFlowDA: Il primo framework che combina SBI con tecniche di adattamento di dominio per l'inferenza della massa degli aloni, affrontando esplicitamente il problema del model misspecification tra simulazioni diverse.
• Validazione su Multi-Simulazione: Dimostrazione sistematica del degrado delle prestazioni di HaloFlow quando si passa da un dominio all'altro (es. da TNG a Eagle) e la successiva mitigazione tramite DA.
• Confronto tra DANN e MMD: Analisi dettagliata che evidenzia come l'approccio basato su kernel (MMD) sia più robusto e stabile rispetto all'approccio avversariale (DANN), specialmente in scenari con forti differenze fisiche tra le simulazioni.
• Correzione del Prior: Implementazione di una correzione del prior implicito nelle reti di inferenza per evitare bias verso masse basse, utilizzando un approccio di importance sampling con troncamento delle code della distribuzione.

4. Risultati Principali

Gli esperimenti hanno confrontato le prestazioni su tutte le combinazioni possibili di addestramento e test tra TNG, Eagle e SIMBA.

• Degrado senza DA: Quando HaloFlow standard viene testato su un dominio diverso da quello di addestramento, la calibrazione crolla. Ad esempio, passando da TNG a Eagle, la percentuale di aloni entro l'intervallo di credibilità $1\sigma$ scende dal 77% (in-domain) al 48% (out-of-domain), indicando stime eccessivamente sicure ma errate.
• Miglioramento con DA: L'uso di HaloFlowDA riduce drasticamente il bias e migliora la calibrazione.
  • La metrica di residuo normalizzato ($\beta$), che misura l'accuratezza e la calibrazione (dove $\beta \approx 0.67$ è ideale), è stata ridotta in media del 31% e fino al 57% nei casi più critici (es. da SIMBA a Eagle).
  • MMD vs DANN: L'approccio MMD ha mostrato prestazioni superiori e più stabili, ottenendo i valori di $\beta$ più bassi in quasi tutti i casi di trasferimento tra simulazioni. DANN ha mostrato instabilità, talvolta peggiorando le prestazioni a seconda della combinazione di domini.
• Confronto con Metodi Standard: HaloFlowDA (specialmente con MMD) fornisce stime di $M_h$ con precisione comparabile al metodo standard basato sulla relazione massa stella-massa alone (SHMR), ma con un bias significativamente inferiore e una migliore calibrazione delle incertezze.
• Comportamento delle Incertezze: Il modello DA produce incertezze adattive: le barre di errore si allargano quando le previsioni sono meno affidabili (zone di forte disaccordo tra simulazioni) e rimangono strette quando le previsioni sono accurate, evitando l'over-confidence.

5. Significato e Implicazioni

Questo lavoro è un passo fondamentale verso l'applicazione di modelli di Machine Learning addestrati su simulazioni a dati astronomici reali.

• Robustezza: Dimostra che l'adattamento di dominio è essenziale per rendere l'inferenza SBI robusta alle inevitabili discrepanze tra i modelli fisici delle simulazioni e la realtà osservativa.
• Preparazione per HSC-SSP: HaloFlowDA getta le basi per l'applicazione futura su dati reali dell'indagine HSC-SSP, permettendo di stimare le masse degli aloni per singole galassie con una fiducia statistica affidabile.
• Limiti: Sebbene efficace, il paper riconosce che la DA non può compensare completamente differenze fisiche fondamentali (es. feedback AGN molto diversi in SIMBA). Il successo dipende dal fatto che le simulazioni di addestramento "brachino" (coprano) la fisica dell'universo reale.
• Futuro: I risultati aprono la strada all'uso di HaloFlowDA per vincolare la frazione barionica nel mezzo circumgalattico (CGM) utilizzando dati di FRB (Fast Radio Bursts) e lensing debole.

In sintesi, HaloFlow II trasforma un metodo di inferenza potente ma fragile in uno strumento robusto, dimostrando che l'allineamento delle distribuzioni delle caratteristiche latenti tramite tecniche come MMD è la chiave per colmare il divario tra simulazioni cosmologiche e osservazioni dell'universo reale.