Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference

Sintesi Tecnica: Cosmologia del Weak Lensing a livello di campo con < 100 simulazioni tramite l'inferenza basata su simulazioni multifidelity Simulation-Based Inference

Definizione del Problema
L'inferenza a livello di campo (field-level) nel weak lensing offre il potenziale per estrarre molta più informazione cosmologica dai dati di cosmic shear rispetto alle tradizionali statistiche riassuntive a due punti (ad esempio, gli spettri di potenza). Tuttavia, realizzare questo potenziale richiede un realismo fisico al livello di campo, che necessita di simulazioni $N$-body ad alta fedeltà. Un collo di bottiglia principale risiede nella Simulation-Based Inference (SBI): la modellazione empirica accurata della densità e la compressione neurale basata su deep learning richiedono tipicamente migliaia di simulazioni di addestramento, ma le simulazioni $N$-body ad alta fedeltà sono computazionalmente proibitive da generare in tali quantità. Al contrario, simulazioni più economiche e a bassa fedeltà (ad esempio, campi log-normali) mancano del realismo fisico necessario per un'inferenza precisa a livello di campo. La sfida è ottenere posteri cosmologici accurati e ben calibrati utilizzando un numero minimo di simulazioni ad alta fedeltà.

Metodologia
Gli autori propongono un framework SBI multifidelity che sfrutta il transfer learning per colmare il divario tra simulazioni a bassa fedeltà e ad alta fedeltà. L'approccio prevede tre componenti principali:

1. Pipeline di Simulazione:

   • Bassa Fedeltà: Gli autori generano circa 100.000 osservazioni mock di weak lensing utilizzando GLASS (Generator for LArge Scale Structure), che produce campi casuali log-normali della sovradensità di materia oscura. Questi vengono elaborati per simulare le caratteristiche del survey KiDS-Legacy, incluse le incertezze nel redshift fotometrico, gli allineamenti intrinseci (modello NLA-M) e il rumore di forma (shape noise).
   • Alta Fedeltà: Un set più piccolo di osservazioni mock viene generato utilizzando la suite di simulazioni $N$-body Gower Street (solo gravità, cielo intero). Queste forniscono gusci di materia fisicamente realistici, elaborati attraverso la stessa pipeline di modellazione forward.
   • Data Augmentation: Per massimizzare l'utilità delle limitate simulazioni ad alta fedeltà, gli autori applicano un'estesa augmentation, generando 80 impronte pseudo-indipendenti simili a KiDS-Legacy per ogni box di simulazione cosmologica, ruotando i campi di materia sottostanti e variando i parametri di disturbo (nuisance parameters).

2. Architettura Neurale e Addestramento:

   • Compressione Ibrida per l'Apprendimento: È progettata una rete di compressione neurale che elabora congiuntamente le statistiche a due punti (pseudo-$C_\ell$ bandpowers) e i dati a livello di campo (mappe di convergenza $\kappa$).
     • Stadio I: Una rete feedforward comprime i dati dei bandpower.
     • Stadio II: Una Rete Neurale Convoluzionale (CNN) elabora le mappe di convergenza. Gli output dello Stadio I vengono congelati e concatenati con gli output della CNN per formare la statistica riassuntiva finale. Ciò assicura che la rete apprenda informazioni oltre i due punti senza perdere l'informazione già catturata dalle statistiche a due punti.
   • Multifidelity Transfer Learning:
     • Pre-addestramento: La rete di compressione e la testa di Neural Density Estimator (NDE) vengono pre-addestrate sul grande dataset a bassa fedeltà (GLASS) utilizzando la Variational Mutual Information Maximization (VMIM).
     • Fine-tuning: I modelli pre-addestrati vengono sottoposti a fine-tuning sul piccolo dataset ad alta fedeltà ($N$-body). Gli autori esplorano due strategie: (i) fine-tuning solo della testa NDE congelando il compressore, e (ii) fine-tuning di tutti i pesi ("finetune all").
   • Metodi di Inferenza: Il framework supporta sia la Neural Posterior Estimation (NPE), che apprende direttamente il posteriore, sia la Neural Likelihood Estimation (NLE), che apprende una verosimiglianza surrogata per permettere l'uso di priori flessibili (ad esempio, specifici per KiDS-Legacy).
   • Ensembling: Per mitigare gli errori di calibrazione nei regimi a bassi dati, gli autori impiegano l'ensembling dei modelli, addestrando molteplici istanze dei modelli a fine-tuning con diversi split di dati e mediando le loro predizioni.

Contributi Chiave

• NLE Multifidelity: Questo lavoro presenta la prima dimostrazione di Neural Likelihood Estimation multifidelity per l'inferenza cosmologica a livello di campo, disaccoppiando il prior della simulazione dall'analisi.
• Efficienza di Simulazione: Gli autori dimostrano che un'inferenza a livello di campo accurata può essere ottenuta con appena 60–100 simulazioni $N$-body ad alta fedeltà, rappresentando una riduzione dell'ordine di grandezza dei costi computazionali rispetto agli approcci SBI a singola fedeltà standard.
• Schema di Apprendimento Ibrido: L'introduzione di uno schema di apprendimento ibrido che congela la compressione a due punti durante l'addestramento a livello di campo si è rivelata critica per una convergenza efficiente e un'estrazione ottimale dell'informazione.
• Calibrazione dell'Ensemble: Lo studio stabilisce che l'ensembling dei modelli è un componente necessario per ottenere posteri ben calibrati quando il numero di simulazioni di addestramento ad alta fedeltà è molto basso ($N < 100$).

Risultati

• Estrazione dell'Informazione: I modelli di transfer learning ottengono un'alta informazione mutua (MI) e potere di vincolo (Figure of Merit, FoM) anche con $N \le 100$ simulazioni. Nello specifico, un ensemble a fine-tuning con soli $N=10$ simulazioni estrae più informazione di un modello addestrato da zero con $N=530$ simulazioni (sebbene il primo non sia ancora ben calibrato).
• Calibrazione: Mentre il transfer learning a singolo modello mostra una leggera eccessiva confidenza a bassi $N$, l'ensembling dei modelli riesce a ridurre l'errore di calibrazione, ottenendo una copertura accettabile con $N=60$ simulazioni.
• Potere di Vincolo:
  • L'approccio multifidelity produce vincoli su $\Omega_m$ e $\sigma_8$ che sono $\sim$3,5 volte più stretti rispetto alle analisi a soli due punti e $\sim$15% più stretti rispetto alle analisi a livello di campo ad alta fedeltà utilizzando l'intero dataset ($N=530$).
  • Crucialmente, l'approccio multifidelity consente vincoli significativi sul parametro dell'equazione di stato dell'energia oscura $w$, un parametro che il modello a singola fedeltà non riesce a vincolare nemmeno con l'intero dataset. Gli autori attribuiscono ciò alla dipendenza analitica da $w$ codificata nelle simulazioni log-normali a bassa fedeltà (tramite HMcode-2020), che viene preservata e adattata durante il fine-tuning.
• Performance NLE: I modelli multifidelity NLE producono posteri accurati comparabili a NPE, ma mostrano una leggera eccessiva confidenza. Ciò è tuttavia considerato un effetto minore (comparabile alle incertezze nelle tradizionali approssimazioni di verosimiglianza gaussiana) e può essere mitigato dall'ensembling.

Significatività e Rivendicazioni
Il paper sostiene che l'SBI multifidelity fornisce una via pratica ed efficiente in termini di simulazione per l'analisi cosmologica a livello di campo sotto vincoli computazionali realistici. Sfruttando il transfer learning, gli autori dimostrano che:

1. Schemi di compressione altamente informativi, oltre i due punti, possono essere appresi da simulazioni economiche e adattati a dati ad alta fedeltà con soli $O(10)$ simulazioni $N$-body a grande volume.
2. Un'inferenza accurata e ben calibrata (comparabile ai vincoli più stretti attuali sul weak lensing) è ottenibile con 60–100 simulazioni ad alta fedeltà.
3. Il pre-addestramento a bassa fedeltà può spostare qualitativamente le capacità di analisi, consentendo vincoli su parametri come $w$ che sono inaccessibili ai metodi a singola fedeltà con lo stesso budget di simulazione.

Gli autori sottolineano che questi risultati sono una prova di concetto utilizzando dati mock. Notano che l'applicazione di ciò a dati reali richiederà un'ulteriore validazione riguardo alla fisica non modellata (ad esempio, il feedback barionico) e agli effetti sistematici, ma il framework offre una via flessibile per incorporare una fisica sempre più realistica nelle analisi cosmologiche della prossima generazione.