Learning the Universe with cosmological rescaling of merger trees and semi-analytic galaxy formation models

技術要約：マージャーツリーの宇宙論的再スケーリングと半解析的銀河形成モデルを用いた宇宙の学習

問題提起
現代の宇宙論は、大規模構造サーベイによる精密な測定に依存しており、幅広い宇宙論的および天体物理学的パラメータにわたる正確な理論予測を必要としている。宇宙論的流体シミュレーション（例：Horizon-AGN, IllustilisTNG, FLAMINGO）は、銀河形成をモデル化するためのゴールドスタンダードであるが、機械学習ベースの推論手法で必要とされるような高密度なパラメータ空間のサンプリングを行うには、計算コストが極めて高い。半解析的モデル（SAM）は、バリオンを直接流体力学的に解く代わりに、ダークマターハローのマージャーツリーに沿って進化させることで、物理的根拠に基づいた、より計算コストの低い代替手段を提供する。しかし、SAMであっても、マージャーツリーを生成するために基礎となる$N$体シミュレーションが必要である。ロバストな宇宙論的推論に必要な数百、あるいは数千の$N$体シミュレーションを実行することは、計算量的に極めて困難である。

手法
本研究は、宇宙論的再スケーリングの定式化（Angulo & White 2010）を、粒子スナップショットやハローカタログではなく、ハロー・マージャーツリーに対して直接作用するように拡張するものである。著者らは、$N$体シミュレーションとSanta Cruz Semi-Analytic Model (SC-SAM) を結合したCAMELS-SAMスイートを利用している。

コアとなるアルゴリズムは以下の通りである：

1. ツリーレベルの再スケーリング： 粒子を再スケーリングして再度ハローファインダーを実行する代わりに、既存のマージャーツリー内のノードの特性を再スケーリングする。ツリーの形態（プロジェニターとディセンダント間の連結関係）は保持されるが、ハローの特性は元の宇宙論（$\Lambda$）からターゲットとなる宇宙論（$\Lambda'$）に一致するように変換される。
2. NFWに基づく補正： $\Omega_m$ や $\sigma_8$ を変化させる際に生じるハロー質量の系統的なバイアスを抑制するために、新しい補正が導入されている。この補正は、自由パラメータ $\alpha$ と、ヴィリアル過密度閾値から導出されるスケール因子 $A_{scale}$ を用いて、NFW密度プロファイルのパラメータ（$\rho_0$ および $R_s$）の再スケーリングを修正する。
3. 時間補間： CAMELS-SAMスイートは $z < 0$ のスナップショットを持たないため、より低い $\sigma_8$ や $\Omega_m$（構造形成がより遅い設定）への再スケーリングを行う場合、元のシミュレーションの $z=0$ スナップショットをターゲット宇宙論における将来の赤方偏移へとマッピングする必要がある。本手法では、これら二つの挟み撃ちのスナップショット間でハローの特性を線形補間することで、正確な値を $z=0$ において得る。
4. SAMの再評価： 再スケーリングされたマージャーツリーをSC-SAMに通すことで、新しい宇宙論的および天体物理学的パラメータにわたる銀河集団を生成する。これにより、新しい$N$体シミュレーションを実行する場合と比較して、無視できる程度の追加コストで、新しい宇宙論的・天体物理学的パラメータにおける銀河統計を生成することが可能となる。

主な貢献

1. マージャーツリーへの拡張： 著者らは、宇宙論的再スケーリングをマージャーツリーに直接適用できることを示し、粒子レベルの再スケーリングで必要となる高コストなハローファインディングおよびツリー構築の段階を回避した。
2. バイアスの抑制： 単一のパラメータ $\alpha$ によって制御されるNFWベースの補正の導入により、$\Omega_m$ および $\sigma_8$ のステップにおける再スケーリングされたハロー質量の系統的バイアスを1%未満に低減させた。
3. 検証： 本手法は、同一の初期条件を持ちながら異なる宇宙論を持つ直接の$N$体シミュレーションに対して検証されている。再スケーリングは、個々のハローの特性（質量、集中度、スピン）および銀河の特性（星質量、星形成率）を、重大な系統的バイアスなく正確に再現している。
4. パラメータ推定の効率性： 著者らは、星質量関数（SMF）および二点相関関数（2PCF）を用いて、$\Omega_m$ と $\sigma_8$ のニューラルネットワーク推定器を訓練するために本手法を適用した。

結果

• 精度： 再スケーリングされたマージャーツリーは、直接のシミュレーションと同等の精度を持つ銀河集団を生成する。再スケーリングされたハロー質量のバイアスは、補正なしの $\sim 11\%$ から $< 0.25\%$ へと抑制されている。再スケーリングされたツリーからの星質量予測の散らばりは、SC-SAMのサテライト軌道モデルにおけるランダムシードの変化によって導入される散らばりと同程度である。
• 計算効率： 単一のCAMELS-SAM $N$体シミュレーションからすべてのマージャーツリーを再スケーリングするコストは $\sim 0.1$ CPUhであり、シミュレーション自体を実行するために必要な数千CPUhと比較して極めて小さい。
• 訓練セットの削減：
  • わずか64個のベースとなる$N$体シミュレーションから生成された1,000個の再スケーリングされたシミュレーションによる訓練セットは、750個の専用$N$体シミュレーションで訓練されたモデルのパラメータ推定精度（RMSE）に匹敵する。
  • 再スケーリングされた実現数の増加（750個のベースシミュレーションから3,200個へ）により、750個のベースシミュレーションのみで訓練した場合と比較して、$\Omega_m$ の予測精度が約25%向上する。
  • SMFについては、再スケーリング誤差が性能を支配しており、これは十分なベースシミュレーションによって最小化される。2PCFについては、性能は独立した初期条件の位相（宇宙論的バリアンス）の数に敏感であり、約16個のユニークな位相の後に飽和する。

意義と主張
本論文は、膨大な数の$N$体シミュレーションを実行するという計算負荷を負うことなく、銀河のサマリー統計の予測を得るための実用的な経路を示すものであると主張している。マージャーツリーの再スケーリングと半解析的モデリングを組み合わせることで、機械学習推論のために、大規模かつ多様な訓練セットをごくわずかな計算コストで生成できることを著者らは示した。

著者らは、このアプローチが「物理学に基づいた補間スキーム」として機能し、現代の宇宙論的推論に不可欠な、パラメータ空間の高密度なサンプリングを可能にすると強調している。現在の結果は、特定の観測量（SMFおよび2PCF）およびCAMELS-SAMスイートに関する点では限定的ではあるものの、本手法は、より大きな体積やより複雑なパラメータ空間のモデリングを必要とする将来のサーベイ（例：DESI, Euclid, Rubin）に対するスケーラブルな解決策を提供している。この研究は、将来のスイートが再スケーリングの効率性を念頭に置いて最適化されることで、ベースとなるシミュレーションの必要数をさらに減らせる可能性を示唆している。