Simulation-Based Inference for Cluster Cosmology with Set-Based Neural Network Architectures

技術要約：集合ベースのニューラルネットワーク・アーキテクチャを用いたクラスター宇宙論のためのシミュレーションに基づく推論

問題提起
次世代のSRG/eROSITA全天サーベイは、X線選択された銀河団の膨大なカタログを通じて、前例のない統計的威力を提供する。これらのデータセットから宇宙論的制約を抽出するには、観測量と基礎となる宇宙論パラメータを正確に結びつける堅牢な統計的枠組みが必要である。従来の解析はマルコフ連鎖モンテカルロ（MCMC）法に依存しており、これらは通常、期待されるクラスター数密度の数値計算のために尤度関数を用いる。これらの手法には大きな限界がある。具体的には、データをビン化された要約統計量に圧縮しなければならない場合が多く（情報の損失を招く）、多数の摂動パラメータ（ニュアンス・パラメータ）を積分除去する必要があるため高次元のモデルの複雑さに苦しみ、サンプルサイズや付随するデータ（弱重力レンズ効果など）が増大するにつれて計算コストが増大するという問題がある。さらに、複雑なサーベイの選択関数、固有の散布、および観測量間の相関を標準的な尤度フレームワーク内でモデル化することは、ますます困難になっている。

手法
著者らは、明示的な尤度関数を必要としない、シミュレーションに基づく推論（SBI）フレームワークを開発し、実装した。この手法は、eRASS1サーベイに基づいて較正された現実的な模擬カタログを用いて学習された、2つの明確な段階を経て動作する。

1. 模擬生成パイプライン： フォワードモデルが、11個のパラメータ（5つの宇宙論パラメータ、5つのX線スケーリング関係、1つの相関係数）のサブセットに基づいた合成銀河団カタログを生成する。このパイプラインには以下が含まれる：

   • ハロー質量関数（HMF）からのサンプリング。
   • X線カウントレートおよび弱重力レンズ（WL）質量に関するスケーリング関係（固有の相関を持つ散布を含む）の適用。
   • eRASS1の選択関数（高純度を確保するための $L_{ext} > 10$ カット）および計器の散布のモデリング。
   • 弱重力レンズ情報を組み込むための、DESライクなサーベイをモデルとした接線方向のシア・プロファイルの生成。
     結果として得られる模擬カタログには可変数のクラスターが含まれ、各クラスターは8次元のベクトル（対数カウントレート、赤方偏移、および6つの接線方向シア値）で表される。

2. ニューラル・アーキテクチャ：

   • 集合ベースの埋め込みネットワーク： 固定されたビン分割なしに可変数のクラスターを持つカタログを扱うために、著者らは置換不変な「集合ベース」のニューラルネットワーク（Deep Setsの変種）を採用している。このネットワークは、エンコーダ（$\phi$）を通じて個々のクラスターを処理し、置換不変な集約器（アグリゲーター）を用いて結果となる特徴ベクトルを集約する。この集約器は、集合のカーディナリティ（$\log N$）、和、平均、最大値、および相互特徴量の相関行列を含む統計量を計算する。これにより、固定長で極めて情報量の多い要約ベクトルが生成される。
   • ニューラル事後分布推定： 要約ベクトルは、マスク付き自己回帰フロー（MAF）、すなわち正規化フローの一種へと入力される。MAFは、模擬パイプラインによって生成されたパラメータと要約統計量の結合分布から、条件付き事後分布 $p(\theta | \hat{x})$ を直接学習する。学習目的関数は、要約統計量に対する真のパラメータの負の対数尤度を最小化することである。

主な貢献

• 可変長入力の処理： 本研究は、従来のビン分割に伴う情報損失を回避し、固定された入力ベクトルの次元を必要としない、X線選択クラスターのベイズ宇宙論的推論へのSBIの初の実装例を提示している。集合ベースのニューラルネットワークを利用することで、本手法は様々なサイズのカタログを自然に処理することができる。
• 全情報の活用： 本フレームワークは、事前に定義された要約統計量に圧縮するのではなく、個々のシア・プロファイルやカウントレートを含む、クラスターレベルの全情報内容を活用している。
• サーベイ効果への堅牢性： 本手法は、選択バイアスやスケーリング関係における固有の散布を含む現実的なサーベイ効果に対してテストされており、厳格な較正テストを通じて堅牢性が示されている。
• スケーラビリティ： このアーキテクチャは、MCMCでの高次元の摂動パラメータの周辺化に伴う計算爆発を伴うことなく、より複雑なフォワードモデルや追加の観測量へと拡張できるように設計されている。

結果
フレームワークは200,000個の模擬カタログを用いて検証された。主な知見は以下の通りである：

• パラメータ回復： 本手法は、推論された不確実性の範囲内で、入力された宇宙論パラメータを正常に回収した。約3,300個のクラスター（eRASS1の $L_{ext} > 10$ サブサンプルにおける有効サンプルサイズに相当）の模擬サンプルサイズにおいて、達成された平均的な制約は、$\Omega_m$ に対して11.5%、**$\sigma_8$ に対して4.4%**であった。
• MCMCとの比較： より大きなサンプルに基づいた従来のMCMC解析（G24解析）よりも少ないクラスター数（5,259個に対し3,259個）を使用し、かつ光学的なリッチネスを質量プロキシとして省略しているにもかかわらず、SBIの精度は従来のMCMC解析と同等であった。また、SBIフレームワークは、X線スケーリング関係における固有の散布についても、MCMCのアプローチよりもタイトな回収を示した。
• 較正： 事後分布推定器は、シミュレーションに基づく較正（SBC）およびランダム点による精度テスト（TARP）の診断を通過し、推定された事後分布が適切に較正されており、わずかな過信の傾向はあるものの、偏りがないことを確認した。
• 性能： 要約ネットワークは、制約されたパラメータの検証セットにおいて、約0.93の決定係数（$R^2$）を達成した。

意義
本論文は、次世代の大規模構造解析に向けたSBIのメソッド論的な検証としての位置付けを行っている。著者らは、現在の研究がフレームワークの検証のために模擬データに焦点を当てていることを強調しているが、このアプローチは、高次元の積分に伴う法外な計算コストを伴うことなく、増大するモデルの複雑さとデータ量に対処できる、MCMCに代わる柔軟な選択肢を提供する。本フレームワークは、将来のX線クラスターサーベイや多波長解析（EuclidやRoman宇宙望遠鏡のデータとの結合など）へ容易に拡張可能であり、大規模なデータセットの時代における効率的かつ正確な宇宙論パラメータ推定への道筋を示すものである。なお、特定のデータ特性（部分的なシアの被覆など）を扱うためのさらなる適応を待って、実際の観測データへの本フレームワークの適用は今後の課題とされている。