Towards Practical Field-Level Inference for Weak Lensing

Sintesi Tecnica: Verso l'Inferenza Pratica a Livello di Campo per il Weak Lensing

Definizione del Problema
Il debole lensing gravitazionale (weak gravitational lensing) fornisce una misura statistica della distribuzione di materia proiettata nell'Universo. Tuttavia, man mano che la crescita delle strutture entra nel regime non lineare (circa $z \sim 0.5$ per gli attuali sondaggi), il campo di densità cosmica sviluppa correlazioni di ordine superiore e caratteristiche morfologiche che non possono essere pienamente catturate dalle tradizionali statistiche al secondo ordine (ad esempio, gli spettri di potenza). Sebbene siano state proposte varie statistiche riassuntive alternative (conteggio dei picchi, funzionali di Minkowski, trasformate di scattering) per estrarre informazioni non gaussiane, l'Inferenza a Livello di Campo (FLI) offre un approccio più generale, inferendo i parametri cosmologici direttamente dal campo di debole lensing osservato, sfruttando tutta la sua informazione spaziale.

Esiste una lacuna critica nella comprensione delle prestazioni pratiche della FLI rispetto alle analisi standard al secondo ordine quando si utilizzano modelli forward motivati fisicamente. Studi precedenti sulla FLI si sono basati su modelli statistici semplificati (ad esempio, campi lognormali) o specifici framework (come BORG con la Teoria della Perturbazione Lagrangiana) che potrebbero non catturare appieno le complessità delle simulazioni realistiche. Inoltre, è necessario validare se i metodi di inferenza impliciti (basati su simulazioni) ed espliciti (basati sul campionamento) producano vincoli cosmologici coerenti quando applicati a dati e simulazioni corrispondenti.

Metodologia
Gli autori conducono un confronto controllato di tre approcci di inferenza utilizzando pipeline di modellazione forward identiche per generare mappe di debole lensing:

1. Inferenza basata sullo Spettro di Potenza: Un approccio di Inferenza Basata su Simulazioni (SBI) che utilizza spettri di auto- e cross-potenza raggruppati come statistiche riassuntive.
2. FLI Implicita: Un approccio SBI in cui un estimatore di densità neurale apprende il posteriore direttamente dalle coppie campo-dati simulate, comprimendo l'intero campo in un vettore riassuntivo o apprendendo il rapporto di verosimiglianza.
3. FLI Esplicita: Un approccio basato sul campionamento (utilizzando Hamiltonian Monte Carlo/NUTS) che campiona il posteriore congiunto sui parametri cosmologici ($\vec{\theta}$) e sulle condizioni iniziali latenti bianche ($\vec{u}$).

Modelli Forward
Lo studio utilizza due distinti modelli forward implementati in JAX per garantire la differenziabilità necessaria per il campionamento basato sul gradiente:

• Teoria della Perturbazione Lagrangiana (LPT): Nello specifico l'approssimazione di Zel'dovich (1LPT), che è computazionalmente efficiente ma limitata al regime lineare.
• Evoluzione N-body Particle-Mesh (PM): Utilizzando l'integratore BullFrog (uno schema leapfrog informato dalla LPT) per evolvere i campi di materia. Questo modello cattura la crescita delle strutture non lineari in modo più accurato rispetto alla LPT.

Le simulazioni generano mappe di convergenza per due strette classi di redshift della sorgente ($z=0.7$ e $z=0.8$) per garantire che il cono di luce rimanga all'interno del volume della simulazione. L'analisi impiega tagli di scala conservativi ($\ell_{max} = 400$ e $\ell_{max} = 1000$) per mitigare gli artefatti di risoluzione finita inerenti alla griglia di simulazione.

Contributi Chiave

• Confronto Diretto dei Paradigmi FLI: Il documento stabilisce un esperimento controllato che confronta l'inferenza FLI implicita ed esplicita rispetto all'inferenza basata sullo spettro di potenza, utilizzando la stessa fisica sottostante (LPT e PM).
• Validazione della FLI Esplicita: Gli autori dimostrano che la FLI esplicita può campionare con successo l'alto numero di dimensioni del posteriore congiunto (cosmologia + campo latente) sia per la LPT che per i modelli PM più realistici. Confermano inoltre che gli approcci implicito ed esplicito producono posteri molto coerenti, validando le vincolazioni del campo recuperato.
• Quantificazione del Guadagno di Informazione: Lo studio quantifica il guadagno di informazione cosmologica fornito dall'analisi a livello di mappa rispetto alle statistiche al secondo ordine.
• Benchmarking: Gli autori forniscono benchmark computazionali per i modelli forward su GPU NVIDIA A100, evidenziando i compromessi tra risoluzione, costo computazionale e il numero di passi richiesti per l'inferenza.

Risultati

• Coerenza: Gli approcci FLI impliciti ed espliciti producono distribuzioni posteriori coerenti per i parametri cosmologici ($\Omega_m$ e $S_{8}^{lin}$). I test di copertura confermano la calibrazione delle analisi implicite.
• Guadagno di Informazione: Rispetto alle analisi basate sullo spettro di potenza, la FLI mostra guadagni significativi nell'informazione cosmologica. Questo guadagno è particolarmente pronunciato quando viene utilizzato il modello forward basato su PM e vengono incluse le piccole scale (fino a $\ell_{max}=1000$) nell'analisi.
• Dipendenza dal Modello: I risultati indicano che il guadagno di informazione è sensibile alla fedeltà del modello forward. Il modello PM, che cattura la struttura non lineare, produce vincoli più stretti rispetto al modello LPT, specialmente alle scale più piccole dove dominano gli effetti non lineari.
• Limiti di Risoluzione: Gli autori notano che, sebbene il modello PM concordi con le previsioni analitiche non lineari fino a $\ell \simeq 500$, esso diventa distorto verso il basso sulle scale più piccole a causa della risoluzione finita della simulazione. Di conseguenza, lo studio impone tagli di scala per garantire un'inferenza robusta.

Significato e Rivendicazioni
Il documento sostiene che l'Inferenza a Livello di Campo è un metodo vitale e potente per estrarre informazioni cosmologiche dai sondaggi di debole lensing, offrendo miglioramenti significativi rispetto alle tradizionali statistiche al secondo ordine. L'accordo tra i metodi impliciti ed espliciti fornisce fiducia nella robustezza delle vincolazioni a livello di campo.

Tuttavia, gli autori rimangono modesti riguardo l'applicazione immediata ai dati osservativi. Essi dichiarano esplicitamente che "altri problemi devono essere affrontati prima che la FLI esplicita basata su PM possa essere applicata a dataset osservativi". Queste sfide includono il costo computazionale dei modelli forward ad alta risoluzione e la necessità di gestire i sistemi e i disallineamenti del modello che sorgono dal confronto tra simulazioni e dati reali. Il lavoro funge da prova di concetto, dimostrando che, con modelli forward sufficientemente accurati, la FLI può sbloccare l'informazione non gaussiana contenuta nelle mappe di debole lensing.