DiffstarPop: A generative physical model of galaxy star formation history

DiffstarPop の技術的概要：銀河の恒星形成史の生成物理モデル

問題定義
銀河集団の統計的性質を予測することは、宇宙論における中心的な課題であり、物理的忠実度と計算効率の間のバランスを必要とする。既存のアプローチはトレードオフに直面している：宇宙論的流体力学シミュレーション（例：IllustrisTNG）は高い物理的詳細を提供するが、大規模なパラメータ探索には計算コストが高すぎる；経験的モデル（例：HOD、SHAM）は高速であるが、物理的現実性を制限する単純化された仮定に依存している；そして Galacticus のような半解析的モデル（SAMs）は中間的な立場を提供するが、完全なベイズ推論には依然として計算的に高価である。さらに、微分可能プログラミングは宇宙論的前方モデル（例：ハロー質量成長の Diffmah）を進展させたが、ハロー質量成長履歴（MAH）を銀河の恒星形成履歴（SFH）に結びつけ、多様なシミュレーション集団を再現できる微分可能な物理ベースの枠組みは欠如していた。

方法論
著者らは、暗黒物質ハローの MAH と、それらがホストする銀河の SFH の間に統計的接続を確立する、JAX で実装された完全微分可能な前方モデルである DiffstarPop を導入する。このモデルは以下の 3 つの中核コンポーネントに基づいて構築されている：

1. Diffmah（ハロー MAH）： 個々のハローの質量成長履歴 $M_p(t)$ を記述するパラメトリックモデル。著者らは、ハロー成長が停止する宇宙時間 $t_p$ を表す新しいパラメータを含む、Diffmah の更新版を導入する。これにより、早期の降着時間を持つサブハローのより正確な記述が可能となる。
2. Diffstar（銀河 SFH）： 個々の銀河の恒星形成率 $\dot{M}_\star(t)$ のパラメトリックモデル。更新された Diffstar モデルは、明示的なパラメータ化されたガス消費関数を除去することで物理的記述を簡素化する。代わりに、恒星形成に利用可能な累積バリオン質量の総量を計算し、変換効率を時間スケールとして定量化する。この効率 $\epsilon_{ms}$ はハロー質量に依存し、臨界質量 $M_{crit} \approx 10^{12} M_\odot$ でピークに達する。モデルには、クエンチング事象 ($t_q$) と潜在的な再生 ($q_{rejuv}$) のパラメータも含まれる。
3. DiffstarPop（接続）： このコンポーネントは、条件付き確率分布 $P(\theta_{SFH} | \theta_{MAH})$ をモデル化する。ここで $\theta_{MAH}$ は Diffmah パラメータ、$\theta_{SFH}$ は Diffstar パラメータである。これは 2 成分ガウス混合モデルを仮定する：「メインシーケンス」集団（決してクエンチングしない銀河）と「クエンチングされた」集団（顕著なクエンチング事象を経験する銀河）である。これらの分布の平均、標準偏差、混合割合（クエンチング割合）は、現在のハロー質量 ($m_{p,0}$) の関数としてパラメータ化され、クエンチングされた集団についてはハロー形成時間 ($t_p$) にも依存する。

モデルは、恒星質量と比恒星形成率 (sSFR) の予測確率密度関数 (PDF) と、シミュレーションデータから導出された目標 PDF の間の平均二乗誤差を最小化することで訓練される。勾配ベースの最適化を可能にするため、著者らは離散ヒストグラムビンに「トライウェイトカーネル」を適用して平滑化し、PDF を完全微分可能にする。

主要な貢献

• 微分可能な生成モデル： DiffstarPop は、ハロー MAH に条件付けられた銀河 SFH を生成するための完全微分可能な枠組みを提供し、推論と最適化に勾配ベースのアルゴリズム（例：ハミルトニアンモンテカルロ）の使用を可能にする。
• 更新された物理モデル： 本論文は、停止成長のための $t_p$ を組み込んだ Diffmah と、速度と精度の向上のために明示的消費カーネルを除去した Diffstar の更新版を提示する。
• シミュレーション間検証： このモデルは、3 つの異なる銀河形成モデルに対してストレステストされる：流体力学シミュレーション IllustrisTNG、半解析的モデル Galacticus、および半経験的モデル UniverseMachine。
• 計算効率： JAX 実装により、$10^6$ 個の銀河 SFH の生成が 1.1 CPU 秒または 0.03 GPU 秒で可能となり、従来の SAMs に対して大幅な高速化を実現している。

結果
著者らは、DiffstarPop が、広範なハロー質量 ($10^{11} - 10^{14.5} M_\odot$)、恒星質量 ($10^9 - 10^{11.5} M_\odot$)、および赤方偏移 ($0 < z < 3$) にわたって、3 つの目標シミュレーションによって予測された銀河 SFH の統計的分布を正確に再現できることを示す。

• 恒星 - ハロー質量関係： このモデルは、典型的な Kullback–Leibler (KL) 発散 0.01–0.02 で $P(M_\star | M_h, z)$ を回復する。
• 比恒星形成率： このモデルは、典型的な KL 発散 0.02–0.03 で $P(\text{sSFR} | M_\star, z)$ を回復する。
• 柔軟性： このモデルは、シミュレーション間のクエンチング割合の差異（例：IllustrisTNG や UniverseMachine と比較して、Galacticus が大質量中心銀河に対してより低いクエンチング割合を予測すること）を成功裡に捉え、in-situ および in-plus-ex-situ の両方の恒星形成履歴に適応する。
• 性能： 更新された Diffstar モデルは、精度を向上させ、ランタイムおよびメモリ使用量を前バージョンと比較して 10 倍削減する。

意義と主張
本論文は、DiffstarPop が銀河 - ハロー接続の「最小限に柔軟な」かつ堅牢なパラメータ化を提供すると主張している。その主な意義は、観測された銀河集団を分析するための高速かつ微分可能な事前分布として機能する能力にある。N 体シミュレーションの合併ツリーを埋める合成銀河カタログを生成することにより、DiffstarPop は将来の調査（例：LSST、Roman、Euclid、DESI）のためのモックカタログの作成を促進し、観測された銀河の物理的性質に対する勾配ベースのベイズ推論を可能にする。

著者らは明示的に、DiffstarPop は複雑な流体力学シミュレーションの完全な統計的複製となること、または SFH における短期的な確率的変動を捉えることを意図していないと述べている。代わりに、その目的は、銀河形成の主要な統計的傾向を捉える物理的に解釈可能で計算的に効率的な枠組みを提供し、複雑なシミュレーションと観測データ分析の間のギャップを埋めることである。このモデルは Diffstar コードベースの一部として公開されており、すでに Diffsky パイプラインにおいて、宇宙論的推論のためのスペクトルエネルギー分布 (SED) と測光をモデル化するために利用されている。