Simulation-Based Inference for Cluster Cosmology with Set-Based Neural Network Architectures

Sintesi Tecnica: Inferenza Basata su Simulazioni per la Cosmologia dei Cluster con Architetture di Reti Neurali Basate su Insiemi (Set-Based)

Definizione del Problema
L'imminente indagine a cielo intero SRG/eROSITA fornisce una potenza statistica senza precedenti attraverso grandi cataloghi di cluster di galassie selezionati ai raggi X. Estrarre vincoli cosmologici da questi dataset richiede framework statistici robusti che colleghino accuratamente le quantità osservabili ai parametri cosmologici sottostanti. Le analisi tradizionali si affidano a metodi Markov Chain Monte Carlo (MCMC), che tipicamente comportano il calcolo numerico delle densità di numero attese dei cluster tramite funzioni di verosimiglianza. Questi approcci affrontano limitazioni significative: spesso richiedono la compressione dei dati in statistiche riassuntive raggruppate (portando a una perdita di informazione), faticano con la complessità di modelli ad alta dimensionalità a causa della necessità di integrare numerosi parametri di disturbo (nuisance parameters), e soffrono di un aumento dei costi computazionali man mano che i campioni e i dati ancillari (ad esempio, il lensing debole) crescono. Inoltre, modellare complessi processi di selezione del sondaggio, lo scatter intrinseco e le correlazioni tra osservabili diventa sempre più difficile all'interno dei normali framework di verosimiglianza.

Metodologia
Gli autori sviluppano e implementano un framework di Inferenza Basata su Simulazioni (SBI) progettato per bypassare la necessità di una funzione di verosimiglianza esplicita. Il metodo opera in due fasi distinte utilizzando reti neurali addestrate su cataloghi fittizi (mock) realistici calibrati sulla survey eRASS1:

1. Pipeline di Generazione dei Mock: Un modello forward genera cataloghi sintetici di cluster di galassie basati su un sottoinsieme di 11 parametri (5 cosmologici, 5 delle relazioni di scala ai raggi X e 1 coefficiente di correlazione). La pipeline include:

   • Campionamento dalla Funzione di Massa degli Aloni (HMF).
   • Applicazione delle relazioni di scala per i tassi di conteggio ai raggi X e le masse di lensing debole (WL), includendo lo scatter correlato intrinseco.
   • Modellazione della funzione di selezione di eRASS1 (specificamente un taglio $L_{ext} > 10$ per un'alta purezza) e dello scatter strumentale.
   • Generazione di profili di shear tangenziale (modellati su survey simili a DES) per incorporare le informazioni del lensing debole.
   • I cataloghi mock risultanti contengono un numero variabile di cluster, con ogni cluster rappresentato da un vettore a 8 dimensioni (log del tasso di conteggio, redshift e sei valori di shear tangenziale).

2. Architettura Neurale:

   • Rete di Embedding Basata su Insiemi (Set-Based): Per gestire il numero variabile di cluster in ogni catalogo senza un raggruppamento rigido, gli autori impiegano una rete neurale "set-based" permutazione-invariante (una variazione di Deep Sets). Questa rete elabora i singoli cluster attraverso un encoder ($\phi$) e aggrega i vettori di caratteristiche risultanti utilizzando un aggregatore invariante per permutazione. L'aggregatore calcola statistiche che includono la cardinalità dell'insieme ($\log N$), la somma, la media, il massimo e una matrice di correlazione tra le caratteristiche. Ciò produce un vettore riassuntivo a lunghezza fissa e altamente informativo.
   • Stima della Posteriore Neurale: Il vettore riassuntivo viene alimentato in un Flusso Autoregressivo Mascherato (MAF), un tipo di flusso di normalizzazione. Il MAF apprende la distribuzione posteriore condizionale $p(\theta | \hat{x})$ direttamente dalla distribuzione congiunta dei parametri e delle statistiche riassuntive generate dal pipeline dei mock. L'obiettivo di addestramento minimizza la log-verosimiglianza negativa dei veri parametri dati i vettori statistici riassuntivi.

Contributi Chiave

• Gestione di Input a Lunghezza Variabile: Questo lavoro presenta la prima applicazione dell'SBI all'inferenza bayesiana per cluster selezionati ai raggi X che non richiede dimensioni di input vettoriali fisse. Utilizzando reti neurali basate su insiemi, il metodo elabora naturalmente cataloghi di dimensioni variabili, evitando la perdita di informazione associata al tradizionale raggruppamento (binning).
• Utilizzo dell'Informazione Totale: Il framework utilizza l'intero contenuto informativo a livello di singolo cluster, incluse le singole mappe di shear e i tassi di conteggio, piuttosto che comprimere i dati in statistiche riassuntive predefinite.
• Robustezza rispetto agli Effetti del Sondaggio: Il metodo è testato contro effetti di sondaggio realistici, inclusi i bias di selezione e lo scatter intrinseco nelle relazioni di scala, dimostrando robustezza attraverso rigorosi test di calibrazione.
• Scalabilità: L'architettura è progettata per essere estendibile a modelli forward più complessi e ulteriori osservabili senza l'esplosione computazionale spesso osservata nella marginalizzazione MCMC su parametri di disturbo.

Risultati
Il framework è stato validato utilizzando 200.000 cataloghi mock. Risultati chiave includono:

• Recupero dei Parametri: Il metodo recupera con successo i parametri cosmologici di input entro le incertezze inferite. Per un campione mock di circa 3.300 cluster (che corrisponde alla dimensione effettiva del campione del sottogruppo $L_{ext} > 10$ di eRASS1), i vincoli medi ottenuti sono dell'11,5% su $\Omega_m$ e del 4,4% su $\sigma_8$.
• Confronto con MCMC: Nonostante utilizzi un campione di cluster più piccolo (3.259 rispetto a 5.259 dell'analisi G24) e ometta la ricchezza ottica come proxy di massa, la precisione dell'SBI è paragonabile alle analisi MCMC tradizionali basate su campioni più ampi. Il framework SBI ha inoltre dimostrato un recupero più stretto dello scatter intrinseco nella relazione di scala ai raggi X rispetto all'approccio MCMC.
• Calibrazione: Il stimatore della posteriore ha superato le diagnostiche di Calibrazione Basata su Simulazione (SBC) e il Test di Accuratezza con Punti Casuali (TARP), confermando che le posteriori stimate sono ben calibrate e non influenzate da bias, con solo una leggera tendenza all'overconfidence (eccessiva sicurezza).
• Performance: La rete di riepilogo ha raggiunto un coefficiente di determinazione ($R^2$) di circa 0,93 sul set di validazione per i parametri vincolati.

Significatività
Il documento posiziona questo lavoro come una validazione metodologica dell'SBI per le analisi della struttura su larga scala di prossima generazione. Gli autori sottolineano che, sebbene l'attuale studio si concentri su dati mock per validare il framework, l'approccio offre un'alternativa flessibile ai MCMC capace di gestire la crescente complessità del modello e il volume dei dati senza i costi computazionali proibitivi dell'integrazione ad alta dimensionalità. Il framework è presentato come facilmente estendibile a futuri sondaggi di cluster ai raggi X e analisi multi-lunghezza d'onda (ad esempio, combinandosi con i dati di Euclid o del Telescopio Roman), offrendo una via verso una stima dei parametri cosmologici efficiente e accurata nell'era dei dataset massivi. Gli autori notano che l'applicazione di questo framework ai dati osservativi reali è rimandata a lavori futuri, in attesa di ulteriori adattamenti per gestire caratteristiche specifiche dei dati come la copertura parziale dello shear.