Emulating the nonlinear effects of modified gravity on the matter power spectrum for reconstruction

技術要約：再構成のための修正重力による非線形効果の物質パワースペクトルのエミュレーション

問題提起
現象論的パラメータ $\mu(a)$ および $\Sigma(a)$ に関する、モデルに依存しない修正重力（MG）関数の再構成は、特定のMG理論を仮定することなく一般相対性理論（GR）をテストするための強力な手法である。しかし、小スケールにおける非線形情報の取り込みは不可欠である。なぜなら、MG理論は、線形予測が $\Lambda$CDM と縮退している場合でも、構造形成を著しく変化させる可能性があるからである。このプロセスにおける主要なボトルネックは計算コストである。標準的なパイプライン（MGCAMB と ReACT ハローモデル・リアクションの組み合わせ）を用いて MG モデルの非線形物質パワースペクトル ($P_{NL}$) を計算することは、高次元のパラメータ空間探索（例：MCMC）で必要とされる繰り返しの尤度評価に対して、極めて高価である。このコストの高さが、モデルに依存しない再構成パイプラインに非線形データを含めることを制限している。

手法
この計算上のボトルネックに対処するため、著者らは、全パワースペクトルではなく、非線形補正係数として定義される比 $R_{MG}(k, z) = P_{NL}^{MG}(k, z) / P_{L}^{MG}(k, z)$ を予測するように設計されたニューラルネットワーク・エミュレータを構築した。このアプローチは、モデル依存の非線形修正を孤立させ、ネットワークが学習すべき動的範囲を減少させると同時に、ボルツマン・コードからの正確な線形予測を保持する。

• 学習データ: エミュレータは、MGCAMB と ReACT を用いて生成された約 $9 \times 10^5$ 個のサンプルを用いて学習される。データセットは、物理的な動機付けを確保するために以前の再構成チェーンからのサンプルと、標準的な宇宙論パラメータの $3\sigma$ 事後分布範囲内で生成されたランダムなサンプルを組み合わせている。
• 入力パラメータ: 入力ベクトルには、標準的な宇宙論パラメータ ($\log A, n_s, h, \Omega_b h^2, \Omega_c h^2$)、再構成された MG 関数ノード ($\mu_{1-11}, \Omega_{X,1-10}$)、赤方偏移 ($z$)、および非線形スクリーニング・パラメータ ($p_1$) が含まれる。$\Sigma$ ノードは、物質パワースペクトルに直接影響を与えないため除外されている。
• アーキテクチャ: エミュレータは CosmoPower フレームワークを利用しており、それぞれ 512 個のノードを持つ 4 つの隠れ層を備えた全結合ニューラルネットワークを採用している。これは、$10^{-5} \le k < 10 \text{ Mpc}^{-1}$ の範囲における 420 個の $k$ モードに対して比 $R_{MG}$ を予測する。
• 検証戦略: エミュレータは、以下の 3 段階の検証プロセスを経る。
  1. 代表的なスペクトル: $\Lambda$CDM および、線形スペクトルが $\Lambda$ CDM とほぼ縮退している特定の MG モデルに対する MGCAMB+ReACT との比較。
  2. 独立した検証セット: パラメータ空間全体における 2000 個の未学習点に関する統計的分析。
  3. 合成データ MCMC: 知られている $\Lambda$CDM 基準モデルから生成された合成 BAO+RSD（DESI 風）および弱重力レンズ（CSST 風）データを用いたエンドツーエンドのテストを行い、エミュレータがパラメータ回復にバイアスを導入しないことを検証する。

主な結果

• 精度: $\Lambda$CDM および中程度の MG 非線形補正 ($p_1 = 0, 1$) において、エミュレータは全スケール範囲にわたって参照となる非線形パワースペクトルを 1.5% 以内で再現する。極端な非線形ケース ($p_1 = 2$) では、この 1.5% の精度は $k < 0.8 \text{ Mpc}^{-1}$ で維持されるが、より強い非線形効果により、より小さなスケールでは偏差が増大する。
• 統計的性能: 独立した検証セットにおいて、平均残差はゼロに近い。$2\sigma$ の散布は $k < 0.5 \text{ Mpc}^{-1}$ で 1% 未満に抑えられ、$k$ が小さくなるにつれて約 2% に増加する。
• MCMC 回復: 合成データ解析において、エミュレータは入力された $\Lambda$CDM 宇宙論および再構成された MG 関数の GR 極限 ($\mu=\Sigma=1$) を、事後分布の不確かさの範囲内で正常に回復する。低赤方偏移で見られる再構成された関数への偏差は、エミュレータの誤差ではなく、投影効果および銀河バイアス・パラメータとの縮退に起因する。
• 計算効率: エミュレータは、非線形パワースペクトルの計算時間を、約 80 秒（MGCAMB+ReACT）から約 20 秒へと短縮する。なお、時間の大部分は依然として線形スペクトルの計算に費やされている。

実証された応用
論文では、エミュレータの 3 つの具体的な応用例を示している：

1. 縮退の打破: エミュレータは、線形パワースペクトルはほぼ縮退しているが、非線形補正が異なる MG モデルを区別することができ、高速な診断ツールとして機能する。
2. 現在のサーベイの尤度: DES-Y3 3$\times$2pt 尤度を用いたテストにおいて、エミュレータの系統誤差（最悪のシナリオにおいても）は、現在の測定不確かさよりも小さいことが示された（最大偏差 $\sim 0.1\sigma$）。これにより、現在のフォトメトリック・サーベイにおける使用の妥当性が確認された。
3. 将来の予測: DESI+CSST の予測に関する主成分分析 (PCA) は、エミュレータを用いることで、大幅に向上した精度で MG 関数を回復できることを示している。DESI-V+CSST-F の組み合わせは、以前のサーベイ構成と比較して、$\Sigma$ モードで約 46%、$\mu$ モードで 19% の誤差削減を実現すると予測されている。

意義と限界
著者らは、本研究が、信頼性が高く、高速で、かつ正確な、モデルに依存しない MG 再構成パイプラインのためのツールを提供すると主張している。これにより、ハローモデルの完全な計算による計算上の禁止事項なしに、ステージ IV サーベイ（DESI や CSST など）からの非線形情報の取り込みが可能になる。このエミュレータは、以前はアクセス不可能であった高次元のパラメータ空間の探索を可能にする。

論文では以下の限界についても述べている：

• エミュレータは、学習された $k$ 範囲内でのみ有効であり、外挿は制御されていない。
• 再構成はスケール独立性を仮定しており、$p_1$ を除くすべての ReACT 非線形パラメータを固定している。
• 極端な非線形領域（高い $p_1$、高い $k$）では精度が低下する。
• ReACT の較正は $z \le 2.5$ に限定されており、CSST のようなサーベイにおける高赤方偏移ビンには近似が必要である。
• 現在の検証は合成データに基づいている。実測データへの適用は今後の課題として提案されている。