Simulation based inference of the ionization history from the 2D 21 cm power spectrum

この論文は、宇宙の「黎明期（Cosmic Dawn）」と「再電離期（Epoch of Reionization: EoR）」における中性水素の分布を記述する 21cm 線信号から、天体物理学的パラメータおよびイオン化履歴を推定するための、シミュレーションベース推論（SBI）パイプラインの開発と評価について述べています。特に、2 次元 21cm パワースペクトル（2DPS）を用いた推論において、シミュレーションデータそのもので学習する方法と、ニューラルネットワークによるエミュレータ（代理モデル）で学習する方法を比較検討しています。

以下に、論文の技術的な要約を問題設定、手法、主要な貢献、結果、意義の観点から詳細に記述します。

1. 問題設定

• 背景: 21cm 線信号は、最初の星や銀河の形成、および宇宙の再電離過程を解明する重要なプローブです。しかし、この信号は前景放射（銀河や銀河団からの放射）に比べて極めて微弱（約 $10^4$ 倍）であり、観測は極めて困難です。
• 課題: 再電離のタイミングや中性水素の割合（中性率）を正確に制約するためには、将来の観測装置（特に SKA: Square Kilometre Array）から得られる 2 次元パワースペクトル（2DPS）からのベイズ推論が必要です。
• 計算コスト: 21cm 信号の物理を正確に記述する半数値シミュレーション（例：21cmFAST）は計算コストが高く、ベイズ推論に必要な大量のサンプリング（$10^5$ 回以上）をリアルタイムで行うことは現実的ではありません。
• 既存の解決策と限界: 従来のアプローチでは、エミュレータ（シミュレーションの代理モデル）を使用して計算時間を短縮しますが、2DPS は 1 次元パワースペクトル（1DPS）に比べてサンプル分散（Sample Variance: SV）の影響が大きく、確率的な性質が強いため、単純な決定論的なエミュレータでは正確な分散を捉えきれない可能性があります。

2. 手法

本研究では、以下の 2 つのアプローチを比較し、シミュレーションベース推論（SBI）を適用しました。

A. データセットの生成

• シミュレーション: 半数値コード「21cmFAST」を使用して、赤方偏移 $z \sim 5-12$ の範囲で 39,000 件の光円錐（lightcone）を生成しました。
• パラメータ: 3 つの天体物理パラメータをサンプリングしました。
  1. 最小バーバル温度 ($T_{vir}$): 星形成に必要な最小のハロー質量。
  2. 電離効率 ($\zeta$): 星形成銀河からの電離光子の効率。
  3. 光子の平均自由行程 ($R_{mfp}$): 電離光子が HII 領域を通過する平均距離。
• ノイズモデル: SKA の観測を想定し、Tools21cm パッケージを用いてシステム温度、アンテナ配置、観測時間を考慮したノイズを付加しました。
• 前処理: 低 $k$ モード（大規模構造）におけるサンプル分散の影響が支配的であるため、2DPS の左下隅の 3 ピクセルをマスク（除去）し、エミュレータの精度向上を図りました。

B. エミュレータの構築

• 2DPS エミュレータ: 3 つの入力パラメータから 2DPS（8 赤方偏移×61 画素）を予測する、6 層の全結合ニューラルネットワーク（Dense NN）を訓練しました。
• イオン化履歴エミュレータ: 天体物理パラメータから、41 赤方偏移ビンにおける中性率の時間発展を予測する 9 層の Dense NN を訓練しました。
• 学習データ: 訓練セット（27,300 件）、検証セット（7,800 件）、テストセット（3,900 件）に分割しました。

C. 推論パイプライン（SBI）

• 手法: ニューラル事後分布推定（Neural Posterior Estimation: NPE）を使用し、事前分布全体にわたる事後分布を直接モデル化しました。
• 比較対象:
  1. シミュレーションベース: 21cmFAST からのノイズ付き 2DPS 直接データで NPE を訓練。
  2. エミュレータベース: 2DPS エミュレータで生成されたデータ（サンプル分散をガウス分布で近似して付加）で NPE を訓練。
• 評価: 事後分布の精度だけでなく、Simulation Based Calibration (SBC) や TARP（Test of Accuracy to Random Points）を用いて、推論結果の較正（Calibration）とカバレッジを厳密に評価しました。

3. 主要な貢献

1. 2DPS エミュレータの初実装と評価: 21cm 宇宙論において、2 次元パワースペクトルを直接エミュレートするモデルを構築し、その推論パイプラインへの適用可能性を初めて検証しました。
2. サンプル分散の扱いに関する洞察: 2DPS の低 $k$ 領域におけるサンプル分散の確率的性質が、決定論的なエミュレータの性能を制限することを示しました。これにより、単純なエミュレータ出力にガウス的なノイズを加えるだけでは不十分である可能性を指摘しました。
3. 厳密な較正テストの実施: 単にパラメータを回復するだけでなく、SBC や TARP を用いて、エミュレータを用いた推論が「過信（Overconfidence）」や「バイアス」を含んでいないかを定量的に評価しました。
4. イオン化履歴の直接推定: 天体物理パラメータの事後分布から、エミュレータを用いて赤方偏移ごとの中性率の事後分布を直接導出する手法を確立しました。

4. 結果

• パラメータ推定精度:
  • 両方のパイプライン（シミュレーション直接学習、エミュレータ学習）とも、$T_{vir}$ と $\zeta$ を高い精度で回復できました。
  • $R_{mfp}$ の制約は広くなり、特に早期再電離シナリオでは情報が不足しており制約が弱まりました。
• エミュレータの性能:
  • 2DPS エミュレータの予測誤差は、ノイズとサンプル分散の spread に対して 10% 以下（多くの領域で 1% 程度）でした。
  • しかし、カバレッジテスト（SBC）の結果、エミュレータで学習したパイプラインは、パラメータに対してわずかに「過信（Overconfidence）」を示しました。 一方、シミュレーション直接学習はわずかに「過小評価（Underconfidence）」傾向にあり、より保守的でした。
  • これは、エミュレータがサンプル分散の確率的な性質を正確に捉えきれていないため、推論が本来あるべき範囲よりも狭い事後分布を与えてしまったことを示唆しています。
• イオン化履歴の回復:
  • 両方の手法とも、赤方偏移 $z \sim 5-12$ の範囲でイオン化履歴を非常に高い精度で回復できました。
  • エミュレータを用いた場合でも、イオン化履歴の推定においてはシミュレーション直接学習と同等の精度が得られました。
• アーキテクチャの影響:
  • 低 $k$ 領域のマスク除去や、CNN などの複雑なアーキテクチャの検討も行いましたが、決定論的な Dense モデルの限界（サンプル分散の捉えきれなさ）がボトルネックであることが示唆されました。

5. 意義と結論

• 結論: 2DPS のような確率的な性質が強いデータに対して、単純な決定論的なエミュレータを使用すると、推論の較正（Calibration）が劣化し、過信した結果をもたらす可能性があります。したがって、パラメータ推定においては、計算コストはかかるものの、シミュレーションデータそのものを用いた SBI の方がよりロバストであると結論付けました。
• イオン化履歴への応用: 一方で、パラメータ推定後の「イオン化履歴の予測」においては、エミュレータが有効に機能しました。エミュレータは推論の柔軟性（MCMC や逐次推論への適用など）を提供するため、将来的な利用価値は高いです。
• 今後の展望:
  • 2DPS のサンプル分散をより正確に捉えるため、確率的な生成モデル（Normalizing Flows や GAN など）や、より複雑なアーキテクチャの開発が必要である。
  • 前景除去や機器系統誤差を考慮したより現実的なシミュレーションでの検証が今後の課題である。
  • SKA データチャレンジ 3b などで、この手法が実データにどう適用できるかが問われるでしょう。

総じて、この研究は 21cm 宇宙論における機械学習ベースの推論の現状を明確にし、エミュレータの利点と限界（特に確率性の扱い）を浮き彫りにした重要な業績です。