Mujic{\Lambda}: Reconstructing Initial Conditions from Incomplete Redshift Surveys with Projected Optimization

以下は、論文「MujicΛ: Initial Condition Reconstruction on Realistic Redshift Surveys with Augmented Optimization」の詳細な技術的サマリーです。

1. 問題定義

現実的な銀河赤方偏移サーベイから初期条件（ICs）および背後にある密度場を再構築することは、宇宙論における重要な課題です。ベイズ推定サンプリング手法（BORG、ELUCID など）は堅牢な不確実性定量化を提供しますが、計算コストが非常に高くなります。一方、最適化ベースの手法（MAP 推定など）は高速ですが、現実的なデータに適用される際に以下の理由により重大な不安定性に悩まされます：

• サーベイの不完全性: 現実的なサーベイは複雑な選択関数と不完全な天球カバレッジを持ち、逆問題を極めて制約の少ないもの（under-constrained）にします。
• モデルの誤指定: 前方モデルにおける簡略化された仮定（銀河バイアスなど）は、最適化アルゴリズムが「報酬ハッキング」を引き起こす原因となります。これは、真の線形場を回復するのではなく、非ガウス場を生成するなどして物理的現実から逸脱した解で損失関数を最小化してしまう現象です。
• ガウス性の違反: 標準的な最適化アルゴリズムは、初期条件のガウス事前分布を維持できず、$\Lambda$CDM 宇宙論から乖離した非物理的な再構築をもたらすことがよくあります。

2. 手法：MujicΛ フレームワーク

著者らは、ガウス性とサーベイ幾何学に対する堅牢性を厳密に強制しながら ICs を再構築するために設計された、最適化ベースのフレームワークであるMujicΛ（Mapping the Universe with Jax-based Initial Condition Reconstruction）を導入します。

A. 前方モデル

MujicΛ は、初期条件を観測された銀河数にマッピングする微分可能な前方モデル（$M_\theta$）を利用します：

1. 初期条件: 複素ガウス変数 $\tilde{\delta}_{ic} \sim \mathcal{CN}(0, 1)$ として再パラメータ化されます。
2. 構造形成: 2LPT および FastPM ステップを用いて、$z=9$ から現在（$z=0$）まで場を進化させる微分可能なパーティクルメッシュ N 体ソルバーJaxPMを使用します。
3. 観測効果: 光円錐効果、赤方偏移空間歪み（RSD）、および軟らかいカットオフを伴うべき乗則バイアスモデルを含む銀河バイアスモデルを組み込みます。
4. サーベイ応答: 予測された銀河密度にマスクとして作用する応答関数 $R$ を通じて、サーベイの不完全性を明示的にモデル化します。
5. 尤度: メッシュセル内の銀河数がポアソン分布に従うと仮定し、対数尤度 $\mathcal{L}$ を最適化します。

B. 拡張最適化戦略

標準的な最大事後確率（MAP）アプローチとは異なり、MujicΛ はガウス事前分布を強制する制約条件下で尤度を最適化します。これには 2 つの主要なメカニズムが採用されています：

1. 射影付き L-BFGS（PGD）:

   • 大規模な最適化を効率的に行うために、Limited-memory Broyden-Fletcher-Goldfarb-Shanno（L-BFGS）アルゴリズムを使用します。
   • 射影演算子: 各勾配ステップの後、解をガウス初期条件の実現可能集合に射影します。これには以下が含まれます：
     • Z スコア正規化: 平均ゼロおよび標準偏差 1 を強制します。
     • クリッピング/リセット: 閾値（$s_{th}=10$）を超える極端な値（外れ値）をランダムなガウス描画にリセットし、非物理的な発散を防ぎます。

2. ランク順序整合（Rank-Order Matching）:

   • 最適化中に、実空間およびフーリエ空間（特定の $k$-ビン内）で定期的に適用されます。
   • メカニズム: アルゴリズムは現在の場値をソートし、元のランク順序を保持したまま、ターゲットガウス分布から描画された値に置き換えます。
   • 目的: これは事前分布の完全な確率密度関数（PDF）を厳密に強制する「一般化された射影」として機能し、射影演算子が見逃す可能性のある偏差を修正します。また、最適化アルゴリズムが局所解から脱出するのを助けます。

C. 学習戦略

収束を加速するために、著者らはアニーリング戦略を使用します：

• まず、低解像度（$4 \text{ cMpc}/h$）の再構築を実行します。
• 得られた場は、フル解像度（$1.95 \text{ cMpc}/h$）の実行の初期推定値として使用されます。
• ランク順序整合は、低解像度では 5 反復ごと、高解像度では 20 反復ごとに適用されます。

3. 主要な貢献

• 新規最適化フレームワーク: MujicΛ は、現実的なサーベイ効果（不完全性、選択関数）をメガパーセクスケールまでモデル化しながら、初期条件のガウス性を明示的に維持する数少ない最適化ベースのコードの一つです。
• 不完全性に対する堅牢性: 射影演算子とランク順序整合を組み合わせることで、この手法はサーベイマスク外のデータカバレッジが貧しい領域での最適化アルゴリズムの発散を防ぎます。
• 微分可能なパイプライン: JaxPM の統合により、エンドツーエンドの微分可能性が実現され、複雑な前方モデルを伴う効率的な勾配ベースの最適化が可能になります。
• 宇宙の網（Cosmic Web）の回復: このフレームワークは、問題が制約の少ない性質を持つにもかかわらず、宇宙の網のトポロジー（ボイド、シート、フィラメント、ノード）を成功裡に回復します。

4. 結果

この手法は、半解析モデル H15 に基づくミレニアムシミュレーションから導出されたモック光円錐カタログを用いて検証されました。サーベイ幾何学は、$0.07 < z < 0.22$、$20^\circ$ の角度カットを特徴とする広視野分光サーベイを模倣しています。

• ガウス性の保持: 実空間およびフーリエ空間の両方における再構築された初期条件のヒストグラムは、非ガウス外れ値を生成するバニラ L-BFGS と異なり、ガウス分布と完全に一致します。
• 密度場の再構築:
  • 視覚的: 再構築された密度場は、サーベイウィンドウ内の巨大なプロトクラスターやフィラメント構造を正確に回復します。
  • 定量的:
    • 真値と再構築との間の相関係数（$r_c$）は、$2 \text{ cMpc}/h$ の平滑化で0.54、$8 \text{ cMpc}/h$ で0.78です。
    • サーベイウィンドウ内では、$k \approx 0.1 \text{ h/cMpc}$ まで $r_c$ は高く（$>0.8$）、維持されます。
    • サーベイウィンドウ外では、場は真値と相関しません（期待通り）であり、この手法が未観測領域に構造を幻視（hallucinate）しないことを示しています。
• パワースペクトル: 再構築された物質パワースペクトル（$P_{mm}$）は、$k = 1 \text{ h/cMpc}$ まで 0.3 dex 以内で真値と一致します。
• 宇宙の網分類:
  • ボイド/シートの回復: ボイドとシートの約 60% が正しく分類されます。
  • フィラメント/ノードの回復: 精度は低い傾向にあります。高密度ピークの不完全な回復により、フィラメントはしばしばシートとして誤分類されます。
  • 固有ベクトルの回復: 変形テンソルの固有ベクトル（固有配向研究に不可欠）は高い回復率を示し、最大の固有値に対して $|\cos \theta| > 0.6$ となるボクセルは 70% 以上です。

5. 意義と将来の応用

• 次世代サーベイ: MujicΛ は、複雑な幾何学と不完全な天球カバレッジを特徴とする、Subaru PFS、DESI、Euclid、Roman などの今後の大規模サーベイに特に適応しています。
• 制約付きシミュレーション: 再構築された ICs は、ベイズサンプリング手法（MaiGO など）の高品質な初期推定値として機能し、場レベルの推論における収束を大幅に加速できます。
• 銀河進化研究: 3D 密度場と宇宙の網分類を提供することで、MujicΛ は銀河進化と銀河間媒質（IGM）の環境研究を可能にします。
• スケーラビリティ: このフレームワークはモジュール式であり、将来の反復では、より洗練された前方モデル（ラグランジュアンバイアス、ニューラルネットワーク勾配など）やマルチトレーサーデータ（Lyman-$\alpha$ 森林、FRB など）を組み込むことができます。

要約すると、MujicΛ は、最適化ベース手法の速度と、現実的な宇宙論分析に必要な物理的忠実性の間のギャップを埋め、不完全な観測データから宇宙の網を解読するための堅牢なツールを提供します。