The CAMELS-CROCODILE Simulation Suite: A New Cosmology--Astrophysics Playground for Machine Learning

技術要約：CAMELS-CROCODILE シミュレーション・スイート

問題提起
標準的な $\Lambda$CDM モデルは、大規模かつ弱非線形なスケールにおいては宇宙をうまく記述できるが、バリオン物理（超新星、活動銀河核、および宇宙再電離）がガスを再分配し、物質パワースペクトルを修正する小規模な非線形スケールにおいては、重大な課題に直面している。CAMELS（Cosmology and Astrophysics with MachinE Learning Simulations）フレームワーク内における現在の機械学習（ML）への応用、特にこれまでの CAMELS スイートでは、ハイドロダイナミクス・コード（Arepo, Gizmo, MP-Gadget）を用いたフィードバック処方箋が、構造的な類似性を共有していることが示されている。具体的には、銀河またはハロー規模の量に銀河風の特性を固定し、低赤方偏移の観測量（例：銀河ステラー質量関数）を再現するように較正されている。これは、ML モデルの学習空間の多様性を制限し、物理的に異なるフィードバック機構に対して適用した際に、汎化性能の低下を招く可能性がある。さらに、既存のスイートは、希少な環境や長波長モードを捉えるのに十分な体積を欠いていることが多く、大幅なサンプル分散に悩まされている。

手法
これらの制限に対処するため、著者らは、独立したバリオン物理の実装を提供する新しい宇宙論的ハイドロダイナミクス・シミュレーション・スイートである CAMELS-CROCODILE を導入する。このスイートは、GADGET4-Osaka コードを採用しており、これは GADGET-4 重力ソルバーと Osaka フィードバックモデルを利用している。主な手法の特徴は以下の通りである：

• 物理実装： Osaka モデルは、ハロー規模の特性ではなく、分解能を持つスーパーバブル物理（Sedov–Taylor 解）に基づく局所適応型のメカニズムを通じて、星形成とフィードバックを制御する。これは、確率的な熱的および機械的（運動量）フィードバックチャネルを組み合わせたものであり、風の速度と質量ローディングは局所的なガスの密度と温度によって決定される。また、金属量および赤方偏移に依存するトップヘビーな初期質量関数（IMF）と、金属に富むアウトフローを駆動する純粋な熱的 AGN フィードバックモデルも含まれている。
• シミュレーション設計： 前世代との相互比較を可能にするため、2 つのボックスサイズで構成されている：
  • L25： $25 \, \text{Mpc} \, h^{-1}$ ボックス、粒子数は $2 \times 256^3$。
  • L50： $50 \, \text{Mpc} \, h^{-1}$ ボックス、粒子数は $2 \times 512^3$（質量分解能を維持しつつ、より大きなスケールを捕捉）。
• パラメータ・サンプリング： 26 個のパラメータ（宇宙論的パラメータ 5 つ、天体物理学的パラメータ 21 つ）を、3 つのセットに整理して変化させている：
  • CV (Cosmic Variance)： サンプル分散を分離するため、固定されたフィデューシャル・パラメータを用いた、各ボックスサイズあたり 27 回の実現。
  • 1P (One-Parameter)： フィデューシャルモデルの周囲で一度に一つのパラメータを変化させる、各ボックスサイズあたり 101 回のシミュレーション。
  • SB (Sobol)： 多様な学習データを提供するための、全 26 次元パラメータ空間における準ランダム・サンプリング（L25 で 128 回、L50 で 201 回の実行）。
• ダークマターのみ (DMO)： バリオンによる抑制を明確に測定できるように、すべてのハイドロダイナミクス・ランに対して一致させた DMO カウンターパートが生成されている。

主要な貢献

1. 独立したフィードバック実装： CAMELS-CROCODILE は、ハロー規模の特性ではなく局所物理に較正されたフィードバックモデルを導入しており、IllustrisTNG、SIMBA、および ASTRID モデルと比較して、真に異なる領域のフィードバック挙動をサンプリングしている。
2. 拡張された体積と分解能： $50 \, \text{Mpc} \, h^{-1}$ ボックスの包含により、サンプル分散が軽減され、従来の $25 \, \text{Mpc} \, h^{-1}$ ボリュームでは捉えられなかった希少で巨大なハローや長波長モードが捕捉される。
3. 包括的な検証： 本スイートは、解析的な予測（Sheth-Tormen ハロー質量関数）、観測的制約（宇宙星形成史）、および IllustrisTNG ベースの CAMELS スイートとの相互比較によって検証されている。
4. 分布外 ML テスト： IllustrisTNG ベースの SB35 セットで学習されたグラフニューラルネットワーク（GNN）をテストセットとして適用し、異なるサブグリッド実装間での ML 推論の堅牢性を評価する、初の適用例を提示している。

結果

• ハロー質量関数と構造： 重力構造形成は、$z \le 2$ において Sheth-Tormen 解析予測によく一致している。バリオン・フィードバックは、DMO カウンターパートと比較して、特に低質量ハロー（$10^{9.5} - 10^{11.5} \, M_\odot/h$）においてハローの数を減少させており、これはガスの排出と一致している。
• 星形成史： 本スイートは、観測された宇宙星形成率密度（SFRD）のピーク（$z \sim 2-3$）を再現している。パラメータ空間は、宇宙論的および天体物理学的パラメータの両方によって駆動される幅広い多様性を誘発し、その広がりは宇宙論的な変動により高赤方偏移において最大となる。
• 物質パワースペクトルの抑制： フィデューシャルな Osaka モデルは、物質パワースペクトルを $z=0$ でわずか数パーセント（$S_{min} \sim 0.95-0.99$）しか抑制せず、これは IllustrisTNG のフィデューシャルモデルで見られる約 27% の抑制よりも大幅に小さい。これは、Osaka モデルがハローから質量をあまり外へ移動させていないことを示している。抑制の深さはフィードバック・パラメータによって大きく変化し、最も極端なバリアントでは $S \sim 0.7-0.9$ に達する。
• ステラー・トゥ・ハロー質量関係 (SHMR)： SHMR は、$10^{12.2} \, M_\odot/h$ 未満のハロー（ステラー・フィードバック領域）において IllustrisTNG と一致する。しかし、グループ規模および巨大なハロー（$> 10^{12.3} \, M_\odot/h$）については、Osaka モデルは IllustrisTNG よりも最大 2.5 倍効率的に星を形成しており、これは熱的注入のみのスキームにおける AGN フィードバック抑制の弱さを反映している。
• トレーサー・バイアス： ステラー・バイアスは、$z=2$ においてブラックホール（BH）バイアスを一貫して上回る。CAMELS-CROCODILE における BH バイアスは、低赤方偏移において IllustrisTNG よりも系統的に高いが、全パラメータ空間（Sobol セット）にわたって周辺化すると、その差は減少する。
• Ly$\alpha$ 吸収： 銀の周囲の平均 Ly$\alpha$ フラックス減少量は、ステラー・フィードバック・パラメータ（密度閾値、SN エネルギー）には敏感であるが、$z=2$ における AGN フィードバック・パラメータにはほとんど反応しない。吸収プロファイルは、ビリアル半径によってスケールされたとき、自己相似的であることが判明した。
• ML 堅牢性テスト： IllustrisTNG の銀河グラフで学習され、重みを固定して CAMELS-CROCODILE に適用された GNN は、$\Omega_m$ および $\sigma_8$ を正確に回復することに失敗した。
  • $\Omega_m$ の平方根平均二乗誤差（RMSE）は、約 4 倍（0.035 から 0.132 へ）増加した。
  • ネットワークは過剰に自信に満った事後分布を返し（平均 $\chi^2 \gg 1$）、入力が学習分布の外にあることを信号として伝えることに失敗した。
  • 失敗は、学習セットに含まれるどのシミュレーションよりも多くの銀河を含むシミュレーションに集中している。テストを学習範囲内の銀河数を持つシミュレーションに限定すると、$\Omega_：m$ の誤差は大幅に減少する（学習内分布の値の 1.5 倍まで）が、$\sigma_8$ の回復は依然として不十分である。
  • ネットワークは、銀河の過剰を、より低い物質密度（$\Omega_m$）とより高いゆらぎ振幅（$\sigma_8$）として解釈しているようであり、高 $\Omega_m$ ランに対して壊滅的なアウトライヤーを生じさせている。

意義と主張
本論文は、局所的なスーパーバブル物理に較正された、物理的に異なるフィードバックモデルを導入することで、CAMELS フレームワークに不可欠な拡張を提供すると主張している。この多様性は、ML 推論パイプラインの堅牢性をテストするために不可ло欠である。結果は、ある一つのサブグリッド実装（IllustrisTNG）で学習されたモデルが、別の実装（Osaka）に対して、特に学習分布の外にある銀河集団へと外挿する場合に、うまく汎化できないことを示している。著者らは、将来の観測調査からの堅牢な宇宙論的推論には、物理的に異なる銀河形成モデルを網羅する学習セットが必要であり、ML モデルは、過剰に自信を持った誤った予測を避けるために、分布のシフトを検出できる能力を備えていなければならないことを強調している。本スイートは、非線形な宇宙からバリオンおよび宇宙論的パラメータを同時に制約することを可能にするコミュニティのリソースとして位置づけられている。