Comparing explicit likelihood and likelihood-free simulation-based inference for weak lensing cosmic shear

技術要約：弱重力レンズ宇宙論的シアーにおける明示的尤度法と尤度フリー・シミュレーションに基づく推論の比較

問題提起
EuclidやLSSTといった第4世代（Stage-IV）の弱重力レンズ（WL）観測は、非ガウス的な観測量（具体的には $\Omega_m$ および $S_8$）から精密な宇宙論パラメータを抽出することを目指している。現在の解析は主に、二点統計量（シアー2PCF）とガウス尤度近似に依存しているが、この手法はレンズ場を圧縮してしまい、非線形な物質進化からの情報を十分に捉えることができない。要約統計量がより情報量豊かで非線形になるにつれ、ガウス尤度仮定はますます正当性を欠くようになり、バイアスのある制約をもたらす可能性がある。対照的に、尤度フリー推論（LFI）は、ニューラル密度推定器（NDE）を用いてシミュレーションから尤度を直接学習することで、明示的な尤度モデリングを回避する手法を提供する。しかし、同一のシミュレーション・スイートを用い、観測量と圧縮戦略を一致させた上で、明示的尤度推論（ELI）とLFIを系統的に比較した研究は、わずかにしか行われていない。本研究は、不一致の原因が統計的仮定にあるのか、数値的な実装にあるのか、あるいは要約統計量の情報量にあるのかという理解の空白を埋めるものである。

手法
著者らは、GLASSフレームワークを介して生成された、Euclidの最終データリリース3（DR3）を代表する形状ノイズ注入を含む全天ガウス・シアーマップを用いた、Euclid風の共通シミュレーション・スイートを利用している。解析は、$z_{max}=3$ まで延びる単一の赤方偏移ビンを持つ非トモグラフィー構成に焦点を当てている。

1. データ生成と圧縮:

   • シミュレーション: ラテン超立方体サンプリング（LHS）を用いて $\Omega_m$ と $\sigma_8$ を変化させている。ディープラーニングの学習用（LHS0）と、エミュレータ学習およびLFI解析用（LHS1）として、5,100個の宇宙論的ノードからなる2つの独立したセットを生成した。
   • 要約統計量: 平坦な空のパッチ上で2つのプローブを測定している。
     • シアー二点相関関数（$\xi_\pm$）：ガウス的なプローブ。
     • ResNet-18アーキテクチャを用いたマップレベルの畳み込みニューラルネットワーク（CNN）統計量：非線形なプローブ。
   • 圧縮: 高次元のデータベクトル（DV）を、以下の2つの方法でパラメータ空間の次元（$n_p=2$）へと圧縮する。
     • MOPED: 数値微分と共分散行列を用いた、線形かつフィッシャー最適化された圧縮。
     • ニューラルネットワーク（NN）圧縮: DVをパラメータへ写像するように学習された非線形多層パーセプトロン（MLP）。

2. 推論フレームワーク:

   • 明示的尤度推論（ELI）: ガウス過程（GP）エミュレータを用いて、圧縮された統計量の平均信号を予測する。尤度は多変量ガウス分布を仮定し、GPの予測値と推定された共分散行列を用いて構築される。事後分布サンプリングにはMCMCを用いる。
   • 尤度フリー推論（LFI）: ニューラル密度推定器（NDE）を用いて、シミュレーションのペアから尤度または事後分布を直接学習する。本研究では、Neural Spline Flows (NSF)、Masked Autoregressive Flows (MAF)、およびMixture Density Networks (MDN) などのアーキテクチャを用いた、Neural Likelihood Estimation (NLE) と Neural Posterior Estimation (NPE) を比較している。

3. 検証:

   • 事後分布の較正診断として、事後分布の信頼性を評価するために「Test of Accuracy with Random Points (TARP)」を採用している。
   • 圧縮された要約のガウス性は、コルモゴロフ・スミルノフ（KS）検定およびグローバルな $\chi^2$ 適合度検定を用いてテストされている。

主な結果

• 較正の不一致: ELIは、エミュレーションの不正確さや尤度が非ガウス的である場合に、強く誤較正される。対照的に、LFIはテストされたすべてのシナリオにおいて一貫して良好に較正されている。
• 圧縮の影響: 圧縮スキームの選択は、ELIの性能に大きく影響する。MOPEDで圧縮されたシアー2PCFはガウス分布に近いが、NNで圧縮された要約は強い非ガウス性を示す。その結果、$\Omega_m$ および $S_8$ に対するELIの制約は、ガウス尤度仮定の失敗により、CNN統計量を用いて得られたものと最大2倍の差が生じることがある。
• LFIの堅牢性: エミュレーション誤差と尤度の非ガウス性の問題に対処した場合、ELIとLFIの間の不一致は大部分消失する。LFIにおいて、シアー2PCFから導出された制約とCNN統計量から導出された制約の間の不一致は、約30%にまで減少しており、これはディープラーニング・プローブの堅牢性を浮き彫りにしている。
• ガウス性テスト: 本研究は、グローバルな $\chi^2$ 検定は特定の圧縮要約に対してパスする場合がある一方で、ビンごとの周辺KS検定は（NN圧縮されたシアー2PCFのように）有意な非ガウス性を明らかにできることを示しており、それがELIで使用されるガウス尤度仮定を無効にするのに十分であることを明らかにしている。

意義および主張
著者らは、系統的なバイアスを無視している本研究の特定のセットアップにおいては、LFIが従来のELIと比較して、弱重力レンズ観測から宇宙論的情報を抽出するための、より堅牢で、より良く較正されたフレームワークを提供すると結論付けている。本論文は、正確な非ガウス尤度モデリングと厳密な事後分布較正診断が、将来のELI解析において不可欠であることを強調している。これらの結果は、ディープラーニング・プローブ（CNNなど）と尤度フリー手法を組み合わせることで、潜在的に欠陥のあるガウス近似に頼ることなく、二点レベルを超えた複雑な情報を捉えられる可能性を裏付けている。本研究は、将来の第4世代（Stage-IV）WL観測への適用に向けた検証フレームワークおよび指針を提供するものである。