Joint reconstruction of $H(z)$ and $f\sigma_8(z)$ with physics informed neural networks

技術要約：物理情報ニューラルネットワークを用いた $H(z)$ と $f\sigma_8(z)$ の結合再構成

問題提起
現在の宇宙論的観測は、2つの持続的なテンションを提示している。一つは $H_0$ テンション（局所的な距離スケールの測定値 $\approx 73$ km s$^{-1}$ Mpc$^{-1}$ と、CMB由来の値 $\approx 67$ km s$^{-1}$ Mpc$^{-1}$ との間の不一致）であり、もう一つは $\sigma_8$（または $S_8$）テンション（銀河の弱重力レンズサーベイが、$\Lambda$CDM が予測するよりも物質のゆらぎの成長が小さいことを示している）である。これまでの研究では、ガウス過程や標準的な人工ニューラルネットワーク（ANN）を用いてハッブルパラメータ $H(z)$ と成長率 $f\sigma_8(z)$ を個別に再構成してきたが、これらの手法は2つの観測量を統計的に独立したものとして扱っている。このアプローチは、一般相対性理論（GR）によって規定される膨張と成長の間の既知の物理的結合を放棄している。具体的には、線形成長方程式は $H(z)$ と $f\sigma_8(z)$ を結びつけているが、このリンクを再構成時に無視することは、膨張の歴史を通じて成長の履歴を制約すること、およびその逆を行うことを妨げる。

手法
著者らは、特定のダークエネルギー状態方程式を仮定せずに、$H(z)$ と $f\sigma_8(z)$ を結合して再構成するための、概念実証としてのフレームワークとして、物理情報ニューラルネットワーク（PINN）を用いた手法を提案している。

• アーキテクチャ: モデルは、共有のバックボーンを持つデュアルヘッド・ネットワークを採用している。入力は赤方偏移 $z$（$[-1, 1]$ に再スケーリング）であり、3層の幅512の隠れ層とELU活性化関数（無限の微分可能性を選択）を通じて処理される。ネットワークは、$H(z)$ 用と $f\sigma_8(z)$ 用の2つの独立した出力ヘッドへと分岐する。出力の活性化関数は、物理的な境界（$H(z)$ に対してはソフトプラスによる正値性、$f\sigma_8(z)$ に対してはシグモイドによる $(0.1, 0.9)$ の範囲）を強制する。
• 物理損失: 革新的な点は、GRにおける線形成長の常微分方程式（ODE）から導出された物理損失項 $\mathcal{L}_{physics}$ の導入である：
  $$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$$
  ここで、$f = f\sigma_8 / \sigma_{8,0}$ であり、$\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$ である。必要な微分は、ネットワークの計算グラフを通じた自動微分によって正確に計算され、数値的な離散化誤差を回避している。
• 全損失: 学習目標は、$\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$ という加重和を最小化することである。スカラー値 $\lambda$ は、データへの適合度と物理方程式の充足度の間のトレードオフを制御する。
• データと学習: ネットワークは、50 個の $H(z)$ 測定値（宇宙クロノメーターター 32 個、BAO 18 個）と 63 個の $f\sigma_8(z)$ 測定値（赤方偏移空間歪み）を用いて学習される。不確実性を定量化するために、100 個の独立したシードを持つアンサンブル・ネットワークを学習させる。本研究では、$\lambda \in \{0, 0.01, 0.1, 1.0\}$ の4つの値をテストし、$H_0$ の正規化は2つの局所的な事前分布（SH0ES および Local Distance Network）を用いてアンカーしている。

主な貢献

1. 初の結合型 PINN 再構成: 本研究は、著者らの知る限り、膨張の歴史と構造の線形成長を、事後的な一貫性チェックとしてではなく、学習中の共有の物理的制約（GR 成長 ODE）の下で共同モデル化する、初の物理情報マルチヘッド・アーキテクチャを用いた再構成である。
2. 宇宙論のための自動微分: 本手法は、ODE の残差のためにネットワーク出力の正確な微分を計算するために自動微分を用いることで、空間メッシュや有限差分近似を排除し、宇宙論的再構成における自動微分の有用性を実証している。
3. 結合の有効性: 成長方程式を通じて2つの観測量を結合することは可能であり、かつ有益であり、アンサンブルの広がりを減少させ、動的な一貫性を確保することを確立している。

結果

• 最適な結合: 結合重み $\lambda = 0.1$ が、データ適合度と物理的一貫性の最適なバランスとして特定された。この値において、物理損失とデータ損失は同等の大きさに収束し、単一の項が勾配を支配することを防いでいる。
• $H_0$ アンカリング: 明示的な $H_0$ 事前分布がない場合、ネットワークは偏った低い $H_0$ ($46\text{--}52$ km s$^{-1}$ Mpc$^{-1}$) を回復する。SH0ES または Local Distance Network の事前分布にアンカーされている場合、ネットワークは $H_0$ を正確に事前分布の値として回復する。これら2つの異なる事前分布は、区別できない $f\sigma_8(z)$ 再構成をもたらし、採用された特定の $H_0$ テンションの値に対する堅牢性を示している。
• 成長のテンション: 再構成された $f\sigma_8(z)$ は、すべての赤方偏移において $\Lambda$CDM+GR の予測を系統的に下回っており、最大の偏差は $z \sim 0.4\text{--}1.0$ 付近で見られる。これは $\sigma_8$ テンションと一致している。結合は、この信号を除去するのではなく、むしろ成長ヘッドがこのテンションをノイズとして吸収してしまうのを防いでいる。
• ヌルテスト:
  • **$Om(z)$:** ヌルテストは、低赤方偏移において（宇宙クロノメーターのデータの希薄さと再構成のアーティファクトに起因する負のディップを含む）平坦な$\Lambda$CDM の期待値からの著しい逸脱（非平坦なプロファイル）を示している。
  • $Om_{f\sigma_8}(z)$: この診断は、$\Lambda$CDM に対する抑制された成長を確認しており、これは先行文献（Ref. [9]）で見られる独立した ANN 再構成と一致している。
• 系統誤差: 著者らは、基準値 $\Omega_{m,0}=0.3$ および $\sigma_{8,0}=0.8$ がハードコードされていることに注意を向けている。これらの選択による系統誤差は、統計的なアンサンブルの広がりを支配している。また、18 個の BAO データポイントは Planck 2018 の音響地平線を継承しており、膨張セクターにおけるモデル依存性を導入している。

意義と主張
本論文は、物理情報（GR 成長 ODE）を通じて $H(z)$ と $f\sigma_8(z)$ を結合することが、特定のダークエネルギーモデルを課すことなく、学習中に両者をモデル化する上で実現可能かつ有益であるという概念実証を確立したと主張している。主な意義は、以下の点にある：

1. 再構成は、競合する2つの局所的な $H_0$ 決定の選択に対して堅牢である。
2. 物理的結合は、物理的に動機付けられた正則化器として機能し、特定のダークエネルギーモデルを課すことなく、より滑らかな再構成を実現し、アンサンブルの不確実性を減少させる。
3. 本手法は、局所的な $H_0$ 値によって制約されている場合でも、$\sigma_8$ テンションの信号（抑制された成長）を正常に回復しており、このテンションが再構成手法のアーティファクトではなく、データの堅牢な特徴であることを示唆している。

著者らは、自らの主張に対して明示的に謙虚な姿勢を示している。彼らは、アンサンブルの広がりがデータノイズのリサンプリングではなく初期化への感受性によって駆動されていること、および完全な事後分布の不確実性が伝播されていないことから、新しい物理学の統計的に有意な検出を主張しているわけではない。彼らは、固定された基準パラメータ（$\Omega_{m,0}, \sigma_{8,0}$）および個々のサーベイに対する Alcock-Paczynski 補正の欠如を、将来の研究で対処すべき限界として特定している。