Three-dimensional Conditional Diffusion Models for Cosmological 21 cm Lightcone Emulation

技術的概要：宇宙論的 21cm 光円錐エミュレーションのための 3 次元条件付き拡散モデル

問題定義
中性水素からの赤方偏移 21cm 信号は、宇宙の夜明け期と再電離期（EoR）を調べるための重要なプローブである。HERA や SKA などの施設から得られる将来のイメージングデータを解釈するには、広範な天体物理パラメータ空間にわたって、高速かつ物理的に信頼性の高い前方モデルが必要である。21cmFAST などの半数値シミュレーションは標準的であるが、大規模なパラメータ掃引やシミュレーションに基づく推論には計算コストが高すぎる。機械学習エミュレーター、特に生成モデルは、その解決策となり得る。しかし、これらのモデルを 2D 画像スライスから完全な 3D 光円錐へ拡張することは、重大な課題をもたらす。3 次元目（視線方向の深さ）の追加はメモリコストを劇的に増加させ、非常に小さなマイクロバッチを強制し、最適化ノイズを増幅させる。さらに、21cm 輝度温度の基礎となるボクセル分布は高度に歪んでおり、長尾分布を示すため、安定したトレーニングと物理的忠実度のために、変換空間の歪みとダイナミックレンジの制御が極めて重要となる。

手法
著者らは、21cmFAST によって生成された 25,600 のトレーニング用光円錐データセットを用いて、3D 21cm 光円錐エミュレーションのための条件付き拡散モデリングを調査した。

• データと条件付け: 対象フィールドは、赤方偏移範囲 $z \in [7.51, 20.95]$ にわたる $64 \times 64 \times 1024$ のボクセル立方体である。モデルは、2 つの天体物理パラメータ、すなわちハローの最小ビリアル温度（$\log_{10} T_{\text{vir}}$）と電離効率（$\zeta$）に基づいて条件付けられる。
• アーキテクチャ: 伸長した光円錐幾何学に対応するため、$(2, 2, 4)$ の異方性ダウンサンプリング/アップサンプリングストライドを採用した、コンテキスト条件付き U-Net が使用される。モデルは 128 のベースチャネルを使用し、チャネル乗数 $(1, 1, 2, 4)$ を採用するとともに、タイムステップと条件埋め込みを組み込んでいる。
• 前処理パイプライン: 本研究の中心的な焦点は前処理パイプラインであり、$x_{\text{raw}} \to \text{primary transform} \to \text{optional squish} \to \text{diffusion} \to \text{inverse squish} \to \text{inverse transform}$ と定義される。著者らは、4 つの主要な正規化変換（Yeo–Johnson、Min–Max、Z-score、Arcsinh）と、オプションのダイナミックレンジ圧縮ステップ（"squish"）を比較した。
• 検証設計: 本研究では、5 つの異なる参照パラメータセット全体で検証を行うため、パラメータ点ごとに 800 の独立した実現を用いた。この設計は、対象分布の中心傾向と条件付き多様性の両方をテストする。
• 評価指標: 生成されたサンプルは、以下の階層的な診断を用いて評価される。
  1. 輝度温度（$T_b$）画像スライス（定性的）。
  2. 全球信号 $\langle T_b \rangle$ 対赤方偏移（平均進化）。
  3. パワースペクトル（2 点空間構造）。
  4. 低減散乱係数（高次非ガウス性形態）。
     性能は、主要なランキング指標として標準偏差正規化平均絶対誤差（$\text{MAE}_{\text{std}}$）を用いて定量化される。

主要な貢献と結果

• 前処理の支配性: 本研究は、3D 設定におけるトレーニングの安定性と物理的忠実度を支配する主要因として、前処理とダイナミックレンジの制御を特定しており、最適化が安定化すれば、アーキテクチャの深さやトレーニング期間よりも重要であることを示している。
• 最適構成: 試験された構成の中で、Yeo–Johnson 前処理と中程度の振幅圧縮（$A=0.1$）の組み合わせが、最も一貫して有利なトレードオフをもたらす。この構成は、Min–Max、Z-score、Arcsinh 変換、および振幅圧縮なしの構成よりも優れている。
• 忠実度の階層: エミュレーションの成功は、明確な階層に従う。
  • 全球信号: モデルは最も強い一致を達成し、吸収トラフのタイミングと深さを正確に捉えている。
  • パワースペクトル: 一致は弱く、特に高-$k$ モード（小スケール）において、モデルは鋭い境界を再現することに苦労している。
  • 散乱係数: 高次の非ガウス性形態は、一致させることが最も困難なままである。モデルは広範な構造パターンを捉えるが、マルチスケール形態には測定可能なバイアスが残留している。
• 失敗モード: 主な限界は、モデルが 21cmFAST に見られる鋭く集中した、ほぼゼロのボクセル集団を完全に再現できないことである。拡散モデルはこのピークを広げ、結果として「より滑らかな」電離領域と、視覚的に暗い領域における小さな非ゼロピクセルを生み出す。この平滑化は、小スケールにおけるパワースペクトルの残留ミスマッチや、高次統計量として現れる。
• ハイパーパラメータ感度: モデルの深さ（残差ブロック）を増加させても、単調な改善は得られなかった。実際、最も浅いモデル（残差ブロック 1 つ）が、より深いバリアントよりも優れていた。これは、3D における小さなマイクロバッチによって引き起こされるノイズの多い最適化ダイナミクスによるものと考えられる。

意義と主張
著者らは、この研究を調査データ用の完全なエンドツーエンド推論パイプラインではなく、3 次元 21cm エミュレーションのためのシミュレーションレベルの基準として位置づけている。

• 方法論的洞察: 本論文は、高次元領域において、安定した生成は主に前処理とダイナミックレンジの制御に依存すると論じている。視覚的な妥当性だけでは不十分であり、低次要約が見逃すバイアスを検出するには、形態に敏感な診断（散乱係数など）が必要である。
• 範囲: 本研究は、トレーニングパラメータ空間内での補間テストである。機器応答、前景汚染、またはパラメータ推定のための不確実性較正など、観測に向けた課題にはまだ取り組んでいない。
• 将来の有用性: 特定された最適構成（Yeo–Johnson + $A=0.1$）は、小スケール形態に関する限界が認識されている限り、現実的な観測効果の組み込みやシミュレーションに基づく推論を目指す将来の研究のための堅牢な出発点を提供する。