Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis

기술 요약: tSZ 파워 스펙트럼의 비가우시안 우도(Likelihood)가 우주론적 제약에 미치는 영향

문제 정의
열적 수닐레이예프-젤도비치(tSZ) 파워 스펙트럼은 우주론적 매개변수(특히 $\sigma_8$ 및 $\Omega_m$)와 클러스터 천체물리학을 탐사하는 주요 도구이다. 그러나 이의 통계적 특성은 본질적으로 비가우시안(non-Gaussian)이다. 이러한 비가우시안성은 대각도 규모에서 신호가 드물고 거대한 저적색편이 은하단들에 의해 지배되기 때문에 발생하며, 이는 양의 왜도(positive skewness)를 가진 샘플링 분포로 이어진다. Planck 협업단과 같은 표준적인 우주론 분석은 일반적으로 파워 스펙트럼에 대해 가우시안 우도를 가정한다. 이러한 근사는 많은 클러스터에 의해 신호가 분산되는 고배각(high multipoles)에서는 유효할 수 있으나, 저배각($\ell < 1000$)에서는 왜도 현상을 포착하는 데 실패한다. 비가우시안 통계량을 포착할 수 있는 정확한 해석적 우도 모델의 부재는 편향되지 않은 우주론적 제약을 보장하기 위한 대안적 추론 방법의 필요성을 뒷받침한다.

방법론
저자들은 명시적인 해석적 우도 함수 없이도 분석이 가능하도록 시뮬레이션 기반 추론(Simulation-Based Inference, SBI)을 채택하였다. 워크플로우는 다음과 같다:

1. 순방향 모델링(Forward Modeling):
   • 가우시안 시뮬레이터: 표준적인 방법들과 SBI 파이프라인을 검증하기 위해, 고정된 공분산 행렬(트라이스펙트럼 기여 포함)을 사용하는 다변량 가우시안 분포를 사용하여 파워 스펙트럼을 생성하는 베이스라인 시뮬레이터를 사용한다.
   • 헤일로 기반 시뮬레이터: 더 현실적인 순방향 모델로서 전체 하늘의 컴프턴-$y$ 맵을 생성한다. 이는 Tinker 등(2008)의 헤일로 질량 함수로부터 헤일로 질량과 적색편이를 포아송 샘플링하고, 일반화된 나바로-프렌크-화이트(GNFW) 압력 프로파일(Arnaud 등, 2010)을 할당한 뒤 빔과 컨볼루션하는 과정을 포함한다. 전경 잔차(CIB, IR, RS)와 상관된 노이즈는 가우시안 무작위 장(random field)으로 추가된다.
2. 신경 밀도 추정(Neural Density Estimation):
   • 저자들은 직접 후험 분포를 학습하거나(신경 후험 추정, NPE) 우도 함수를 학습하기 위해(신경 우도 추정, NLE) sbi 패키지(PyTorch)를 사용하여 심층 신경망을 훈련시킨다.
   • 마스크드 오토레그레시브 플로우(Masked Autoregressive Flow, MAF) 구조가 사용된다. 훈련의 확률적 변동성을 완화하기 위해, 10개의 독립적으로 훈련된 네트워크 앙상블을 사용하여 견고한 후험 추정치를 형성한다.
3. 검증:
   • SBI 프레임워크는 먼저 실제 Planck 데이터를 사용하여 표준 가우시안 우도 분석을 통해 검증된다.
   • 그 후, 비가우시안성을 평가하기 위해 헤일로 기반 순방향 모델로 생성된 모의 데이터셋에 적용된다.
   • 시뮬레이션 수에 대한 수렴 테스트와 추론된 후험 분포가 참된 매개변수와 통계적으로 일치하는지 확인하기 위한 커버리지 테스트가 수행된다.

주요 기여

• tSZ에 대한 첫 SBI 적용: 본 연구는 t-SZ 파워 스펙트럼 분석에 SBI를 적용한 첫 사례이다.
• 가우시안 근사의 검증: 본 연구는 Planck급 관측을 위한 표준 가우시안 우도 가정에 대한 엄격한 테스트를 제공한다.
• 비가우시안 우도 모델링: NLE가 가우시안 근사가 포착하지 못하는 저배각에서의 tSZ 파워 스펙트럼의 높은 왜도를 가진 비가우시안 샘플링 분포를 정확하게 학습하고 재현할 수 있음을 입증한다.
• 견고성 분석: 광범한 절제 연구(ablation studies)를 통해, 저자들은 실제 물리적 차이와 신경망 훈련 또는 유한한 시뮬레이션 크기에서 발생하는 인공물(artifact) 사이의 차이를 구분한다.

결과

• 우주론적 제약: $\ell < 1000$ 배각만을 사용할 경우, 가우시안 우도 가정은 편향되지 않은 우주론적 제약을 산출한다. SBI 기반 추론(NPE 및 NLE 모두)은 우주론적 매개변수 조합 $F = \sigma_8(\Omega_m/B)^{0.40}h^{-0.21}$에 대해 가우시안 우도 결과와 매우 잘 일치하는 결과를 생성한다.
• 전경 제약: 우주론적 제약은 안정적으로 유지되는 반면, SBI 기반 추론은 가우시안 우도 결과에 비해 잔류 전경 진폭에 대한 후험 분포가 약간 넓어지는 양상을 보인다. 구체적으로, 적외선 광원 진폭($A_{IR}$)에 대한 NLE 기반 제약은 가우시안 우도 결과보다 약 $0.5\sigma$ 낮다.
• 우도 학습: NLE 방식은 가우시안 근사가 저배각에서 실패하는 지점인 순방향 모델링 시뮬레이션에서 관찰되는 양의 왜도를 성공적으로 학습하여 우도의 비가우시안 구조를 재현한다.
• 커버리지: 커버리지 테스트는 모든 매개변수에 대해 편향이 $0.06\sigma$ 미만임을 확인하여, SBI로 추론된 후험 분포가 잘 보정되었음을 입증한다.

의의 및 주장
본 논문은 Planck와 유사한 t-SZ 분석(전천, 특정 노이즈 수준)의 경우, 핵심 매개변수에 대해 편향되지 않은 제약을 산출하므로 표준 가우시안 우도 가정이 충분히 정확하다고 주장한다. 그러나 저자들은 SBI가 중요한 검증 도구임을 강조한다. 이는 연구자들이 해석적 근사를 넘어 비가우시안 우도를 모델링할 수 있게 하며, 가우시안 근사로는 놓칠 수 있는 미세한 전경 제약의 차이를 드러낸다.

저자들은 가우시안 우도의 충분성에 관한 결론이 ACT나 SPT(South Pole Telescope)와 같이 더 작은 하늘 영역을 관측하여 더 높은 배각에서도 더 강한 샘플 분산과 비가우시안성을 경험하는 다른 조사에 자동으로 확장되지는 않을 수 있다고 언급한다. 또한, SBI가 압력 프로파일의 불확실성을 통합하거나, 클러스터 수-계수(number counts)와 tSZ 파워 스펙트럼을 결합하거나, 전통적인 해석적 우도로는 다루기 어려운 고차 모멘트를 분석하는 등 향로적인 응용을 위한 유연한 프레임워크를 제공한다는 점을 강조한다. 이 연구는 현재의 Planck급 제약에는 가우시안 근사가 견고하지만, SBI가 미래의 고해상도 CMB 관측을 위한 복잡한 통계량을 처리하는 데 필요한 경로를 제공함을 시사한다.