論文「DIFFERENTIABLE STOCHASTIC HALO OCCUPATION DISTRIBUTION WITH GALAXY INTRINSIC ALIGNMENTS」の技術的概要

本論文は、弱重力レンズ解析や宇宙論的パラメータ推定において重要な役割を果たす「ハロ占有分布（HOD）」モデルに、銀河の固有配向（Intrinsic Alignments: IA）を組み込んだ、**完全微分可能な実装「diffHOD-IA」**を提案するものです。従来の確率的サンプリングに基づくシミュレーション手法の限界を克服し、自動微分（Automatic Differentiation）を活用した効率的な推論を可能にします。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細をまとめます。

1. 背景と課題 (Problem)

• 宇宙論的観測の重要性: 銀河の空間分布と形状（固有配向）は、宇宙構造の形成と進化、および宇宙論パラメータの制約に不可欠な情報を含んでいます。特に、次世代の弱重力レンズ観測（Rubin Observatory, Euclid, Roman 宇宙望遠鏡など）では、銀河クラスターリングと IA の両方を高精度にモデル化する必要があります。
• 既存手法の限界:
  • 解析モデル: 非線形アライメントモデル（NLA）や TATT モデルなどは計算効率が良いですが、小スケールでの非線形効果を正確に捉えるのが困難です。
  • シミュレーションベース（HOD）: ハロモデル（HOD）は N 体シミュレーションから現実的な銀河分布を生成できますが、従来の実装（例：halotools）は離散的な確率分布（ベルヌーイ分布、ポアソン分布）からのサンプリングに依存しています。
  • 微分不可能性: 離散サンプリングは勾配情報を伝播できないため、ベイズ推論がマルコフ連鎖モンテカルロ（MCMC）などの勾配非依存手法に限定されます。高次元パラメータ空間（例：50 以上の系統誤差パラメータ）における MCMC は計算コストが極めて高く、Stage IV 観測では非現実的になる可能性があります（例：MCMC では 12 年かかる計算が、微分可能手法では 8 日で完了する可能性）。

2. 手法 (Methodology)

著者らは、Horowitz et al. (2022) が提案した微分可能 HOD（diffHOD）の枠組みを拡張し、Van Alfen et al. (2024) の IA モデルと統合したdiffHOD-IAを開発しました。

• 連続緩和（Continuous Relaxation）による微分可能サンプリング:
  • 中央銀河（Central Galaxies）: 銀河の有無を決定するベルヌーイ分布に対して、Gumbel-Softmax 法（Gumbel-Softmax trick）を適用し、離散変数を連続的な緩和変数として扱います。これにより、パラメータ（$\log M_{min}, \sigma_{\log M}$）から勾配を伝播させます。
  • 衛星銀河（Satellite Galaxies）: ポアソン分布からのサンプリングを、多数の独立したベルヌーイ試行の和として近似し、同様に Gumbel-Softmax を用いて微分可能にします。また、サブハロの優先順位付けにも Softmax を適用し、微分可能な重み付けを行います。
• 微分可能な固有配向（IA）サンプリング:
  • 銀河とハロの配向誤差角は、Dimroth-Watson 分布に従います。
  • この分布からのサンプリングを、逆累積分布関数（Inverse CDF）法を用いて実装しました。CDF の逆関数を解析的、あるいはニュートン法による数値解法で求めることで、IA パラメータ（$\mu_{cen}, \mu_{sat}$）から銀河の向きベクトルへの微分を可能にしています。
• 微分可能な相関関数推定:
  • 銀河の位置 - 位置相関関数（$\xi(r)$）、位置 - 配向相関関数（$\omega(r)$）、配向 - 配向相関関数（$\eta(r)$）を、離散的な銀河カタログから微分可能に計算する推定量を開発しました。
  • 隣接ペアの構造は固定し、銀河の向きベクトルのみがパラメータに依存するように設計することで、勾配計算を効率化しています。

3. 主要な貢献 (Key Contributions)

1. diffHOD-IA の実装: 銀河 HOD モデルと IA モデルを統合した、エンドツーエンドで微分可能なフレームワークの初の実装。
2. Dimroth-Watson 分布の微分可能サンプリング: 逆 CDF 法を用いた新しいサンプリング手法の提案と実装。
3. 勾配の検証: 自動微分（Autodiff）によって計算された勾配が、有限差分法（Finite Difference）や解析解と高い精度で一致することを検証。
4. 応用例の提示:
   • 勾配ベースの最適化: モーメントマッチングや相関関数マッチングを用いた、IA パラメータの効率的な復元。
   • ハミルトニアンモンテカルロ（HMC）: 従来の MCMC と比較して劇的な高速化を実現したベイズ推論の実証。

4. 結果 (Results)

• 精度検証:
  • Bolshoi-Planck シミュレーションを用いた検証において、diffHOD-IA は参照実装である halotools-IA と非常に高い一致を示しました。
  • 銀河数密度の誤差はサンプルバリエーション内、2 点相関統計量（$\xi, \omega, \eta$）の誤差は2% 未満に抑えられました。
  • 勾配の精度も、有限差分法との比較で確認されました。
• 最適化実験:
  • 50 回のランダムな初期値から出発し、モーメントマッチングおよび相関関数マッチングを用いた勾配降下法により、TNG300 シミュレーションに相当する IA パラメータ（$\mu_{cen}, \mu_{sat}$）を高精度に復元することに成功しました。
• HMC 推論の高速化:
  • 計算時間: 単一 GPU（NVIDIA A100）上で HMC 推論を行うと、約 5 分で収束しました。
  • 比較: 同等の推論を halotools-IA（非微分可能）で MCMC 行う場合、150 コアの CPU で約 1 日を要しました。
  • 精度: 得られた事後分布は、halotools-IA（MCMC）およびニューラルネットワークベースのエミュレータ（IAEmu）と良好に一致しました。

5. 意義と将来展望 (Significance & Future Work)

• 計算効率の飛躍的向上: 微分可能性を活用することで、高次元パラメータ空間における宇宙論的推論を現実的な時間枠で実行可能にしました。これは次世代の弱重力レンズ観測データ解析において不可欠です。
• カタログレベルの微分可能性: 既存のエミュレータ（IAEmu）が統計量（相関関数）のみをモデル化するのに対し、diffHOD-IA は銀河カタログそのものを微分可能に生成します。これにより、2 点相関関数以外の任意の要約統計量や、場レベル（Field-level）の推論パイプラインへの統合が可能になります。
• 柔軟性: 銀河 - ハロ接続のモデル変更（例：アセンブリーバイアスの導入）に対し、エミュレータの再学習が不要であり、シミュレーションコード内で直接修正可能です。
• 将来の拡張:
  • 2 次元投影統計量や高次統計量への拡張。
  • 微分可能な粒子メッシュソルバー（jaxPM）やハロ発見器（jFoF）との統合による、宇宙論パラメータから銀河場までの完全なエンドツーエンド勾配フローの実現。
  • HOD パラメータと IA パラメータの同時推論（パラメータ間の相関を適切に扱う必要あり）。

結論:
diffHOD-IA は、銀河形成モデルと固有配向を統合した、計算的に効率的かつ高精度な微分可能シミュレーションフレームワークです。これにより、次世代の観測データから得られる宇宙論的制約の精度と信頼性が大幅に向上することが期待されます。