Gaussian processes on ray-guided transformed uniform grids for fast, flexible, and auto-differentiable adaptive source reconstruction in lens modelling

Sintesi Tecnica: Processi Gaussiani su Griglie Uniformi Trasformate tramite Guida dei Raggi

Definizione del Problema
L'effetto di lente gravitazionale forte (SGL) è uno strumento critico per vincolare la cosmologia e le distribuzioni di materia oscura, ma l'inferenza robusta dipende fortemente da una ricostruzione accurata della sorgente. Una sfida fondamentale nella SGL è il contenuto informativo non uniforme attraverso il piano della sorgente: le regioni che producono immagini multiple (ad esempio, quattro immagini) hanno tassi di campionamento più elevati rispetto a quelle che ne producono meno, e l'ingrandimento varia continuamente. Le tecniche tradizionali di mesh adattiva, come le tassellazioni di Delaunay o la binnatura di Voronoi, tentano di affrontare questo problema posizionando la risoluzione dove necessario. Tuttavia, questi metodi spesso si affidano a operazioni discontinue (ad esempio, lo scambio di vertici dei bordi della mesh al variare dei modelli di massa), il che può rompere la differenziabilità richiesta dai moderni framework di inferenza e limitare le scelte di regolarizzazione. Al contrario, i classici priori di Processo Gaussiano (GP) offrono una regolarizzazione flessibile ma richiedono tipicamente griglie regolari per utilizzare le Trasformate Veloci di Fourier (FFT) per l'efficienza computazionale, creando una tensione tra adattività e differenziabilità.

Metodologia
Gli autori propongono un nuovo approccio di ricostruzione della sorgente utilizzando una griglia Uniforme Trasformata guidata dai Raggi (RTU). Questo metodo mira a combinare l'efficienza computazionale dei GP basati su FFT su griglie uniformi con la risoluzione adattiva richiesta dai dati di lensing.

1. Costruzione della Griglia RTU:

   • La sorgente è modellata su una griglia uniforme in uno spazio di coordinate trasformato $\mathbf{y} = \mathbf{g}(\mathbf{x})$.
   • La trasformazione $\mathbf{g}$ è derivata dalle funzioni di distribuzione empirica cumulativa (eCDF) dei raggi tracciati a ritroso dal piano dell'immagine al piano della sorgente.
   • Nello specifico, gli autori proiettano le posizioni dei raggi su ciascun asse delle coordinate, li ordinano per formare eCDF 1D e applicano spline cubiche a queste distribizioni. Ciò garantisce che la trasformazione sia almeno due volte continuamente differenziabile.
   • Le eCDF sono costruite utilizzando solo i raggi che cadono all'interno di una maschera d'arco (definita da soglie di rapporto segnale-rumore), assicurando che la risoluzione sia allocata solo nelle regioni in cui la sorgente è osservata.
   • La trasformazione distende efficacemente le coordinate del piano della sorgente in modo che la densità dei raggi diventi approssimativamente uniforme nelle nuove coordinate $\mathbf{y}$.

2. Modellazione della Sorgente:

   • La luminosità della sorgente è definita come un Processo Gaussiano su questa griglia uniforme trasformata.
   • Il GP è realizzato generando rumore bianco nello spazio di Fourier, moltiplicandolo per la radice quadrata di uno spettro di potenza (specificamente uno spettro di potenza Matérn flessibile) e applicando una FFT inversa.
   • La positività è imposta tramite una funzione softplus, e la luminosità finale della sorgente è scalata da una legge di potenza per consentire caratteristiche più nitide.
   • La mappatura di ritorno al piano fisico della sorgente è eseguita tramite $s_{source}(\mathbf{x}) = s^*_{source}(\mathbf{g}(\mathbf{x}))$.

3. Framework di Inferenza:

   • L'approccio è implementato all'interno di Herculens, un framework di modellazione diretta auto-differenziabile scritto in JAX.
   • L'inferenza è eseguita tramite Inferenza Variazionale Stocastica (SVI) con Numpyro, ottimizzando l'Evidence Lower Bound (ELBO).
   • Il metodo supporta scelte arbitrarie di spettro di potenza per la regolarizzazione, mantenendo la flessibilità dei GP pur sfruttando la velocità delle FFT.

Contributi Chiave

• Adattività Differenziabile: La griglia RTU fornisce uno schema di risoluzione adattiva che è continuamente differenziabile, superando i problemi di discontinuità delle mesh di Delaunay/Voronoi pur mantenendo la velocità dei GP basati su FFT.
• Regola Euristica di Efficienza: Gli autori propongono un'euristica per la selezione del numero di pixel della sorgente ($N_{src}$) basata sulla densità dei raggi, suggerendo circa 4 raggi per pixel per corrispondere ai gradi di libertà nell'interpolazione bilineare.
• Implementazione: Il metodo è pienamente integrato nel framework Herculens, rendendolo compatibile con algoritmi di campionamento allo stato dell'arte e workflow auto-differenziabili.

Risultati
Gli autori hanno testato la griglia RTU su tre dataset simulati (che simulano la qualità NIRCAM di JWST) e su dati reali del sistema di lente SDSS J0946+1006.

• Qualità del Fit ed Efficienza dei Pixel: La griglia RTU raggiunge una qualità del fit nel piano immagine ($\chi^2_{img}$) comparabile alle griglie uniformi, ma richiede circa la metà dei pixel per dimensione (un fattore di $\simeq 4$ meno pixel totali) per raggiungere i residui a livello di rumore.
• Performance dell'ELBO: Per lo stesso numero di pixel, la griglia RTU produce generalmente Evidence Lower Bounds (ELBO) più elevati rispetto alle griglie uniformi, indicando un migliore adattamento ai dati sotto l'approssimazione variazionale.
• Sensibilità alle Sottostrutture: L'uso della griglia RTU influenza solo lievemente la differenza di ELBO tra modelli con e senza sottostrutture. Il metodo distingue con successo tra modelli con e senza sottostrutture (ad esempio, in Mock 1 e SDSS J0946+1006) senza gonfiare artificialmente la preferenza per la sottostruttura a causa di artefatti della griglia.
• Accuratezza della Ricostruzione della Sorgente: Quando il modello di massa sottostante è accurato, la griglia RTU produce ricostruzioni della sorgente più accurate (minore $\Delta^2_{src}$) con meno pixel rispetto all'approccio della griglia uniforme.

Significatività e Rivendicazioni
Il documento afferma che il metodo della griglia RTU risolve il compromesso tra realismo, flessibilità, auto-differenziabilità ed efficienza computazionale nella modellazione delle lenti. Garantendo che i pixel della sorgente contengano un numero più uniforme di raggi, il metodo consente una ricostruzione della sorgente ad alta fedeltà con un costo computazionale significativamente ridotto. Gli autori asseriscono che questo approccio è particolarmente vantaggioso per l'analisi di grandi campioni di sistemi di lenti, come quelli previsti dalla survey Euclid, dove la modellazione della sorgente robusta e flessibile è critica per minimizzare i bias nei vincoli cosmologici e di materia oscura. Il metodo è presentato come un miglioramento pratico rispetto alle esistenti tecniche di mesh adattiva, offrendo un'alternativa veloce, flessibile e auto-differenziabile che non compromette la capacità di rilevare le sottostrutture.