Joint reconstruction of $H(z)$ and $f\sigma_8(z)$ with physics informed neural networks

기술 요약: 물리 정보 신경망(PINN)을 이용한 $H(z)$와 $f\sigma_8(z)$의 공동 재구성

문제 정의
현재의 우주론적 관측은 두 가지 지속적인 긴장 상태를 보여준다: $H_0$ 긴장(국소 거리 척도 측정값 $\approx 73$ km s$^{-1}$ Mpc$^{-1}$와 CMB 유도 값 $\approx 67$ km s$^{-1}$ Mpc$^{-1}$ 사이의 불일치)과 $\sigma_8$ (또는 $S_8$) 긴장(은하 약중력 렌즈 조사 결과가 $\Lambda$CDM이 예측하는 것보다 물질 요동 성장이 적음을 나타냄)이다. 이전 연구들은 가우시안 프로세스나 표준 인공 신경망(ANN)을 사용하여 허블 파라미터 $H(z)$와 성장률 $f\sigma_8(z)$를 독립적으로 재구성해 왔으나, 이러한 방법들은 두 관측량을 통계적으로 독립적인 것으로 취급한다. 이러한 접근 방식은 일반 상대성 이론(GR)에 의해 규정된 팽창과 성장 사이의 알려진 물리적 결합을 무시한다. 구체적으로, 선형 성장 방정식은 $H(z)$와 $f\sigma_8(z)$를 연결하는데, 재구성 과정에서 이 연결 고리를 무시하면 데이터가 팽창 역사를 통해 성장 역사를 제약하거나 그 반대의 과정을 수행하는 것을 방해하게 된다.

방법론
저자들은 특정 암흑 에너지 상태 방정식을 가정하지 않고 $H(z)$와 $f\sigma_8(z)$를 공동으로 재구성하기 위한 개념 증명 프레임워크로서 물리 정보 신경망(PINN)을 사용하는 방법을 제안한다.

• 구조: 모델은 공유된 백본(backbone)을 가진 듀얼 헤드 네트워크를 채택한다. 입력은 적색편이 $z$ ([-1, 1]로 재스케일링됨)이며, 세 개의 너비 512인 은닉층과 ELU 활성화 함수(무한 미분 가능성을 위해 선택됨)를 통해 처리된다. 네트워크는 $H(z)$를 위한 헤드와 $f\sigma_8(z)$를 위한 헤드로 분기된다. 출력 활성화 함수는 물리적 경계 조건을 강제한다($H(z)$의 양수성을 위해 softplus 사용; $f\sigma_8(z)$의 범위를 (0.1, 0.9)로 제한하기 위해 sigmoid 사용).
• 물리 손실(Physics Loss): 핵심 혁신은 GR의 선형 성장 ODE로부터 유도된 물리 손실 항 $\mathcal{L}_{physics}$의 포함이다:
  $$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$$
  여기서 $f = f\sigma_8 / \sigma_{8,0}$ 이고 $\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$ 이다. 필요한 미분값들은 수치적 이산화 오류를 피하기 위해 네트워크의 계산 그래프를 통한 자동 미분(automatic differentiation)을 통해 정확하게 계산된다.
• 전체 손실: 학습 목표는 가중 합 $\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$를 최소화하는 것이다. 스칼라 $\lambda$는 데이터를 맞추는 것과 물리 법칙을 만족시키는 것 사이의 트레이드오프를 조절한다.
• 데이터 및 학습: 네트워크는 50개의 $H(z)$ 측정값(Cosmic Chronometers 32개, BAO 18개)과 63개의 $f\sigma_8(z)$ 측정값(Redshift Space Distortions)으로 학습된다. 불확실성을 정량화하기 위해 100개의 독립적인 시드로 학습된 앙상블을 사용한다. 연구는 네 가지 $\lambda \in \{0, 0.01, 0.1, 1.0\}$ 값을 테스트하며, 두 개의 국소 사전 확률(prior)을 사용하여 $H_0$ 정규화를 고정한다: SH0ES ($73.04 \pm 1.04$) 및 Local Distance Network ($73.50 \pm 0.81$).

주요 기여

1. 최초의 공동 PINN 재구성: 본 연구는 저자들이 아는 바에 따르면, 팽창사와 선형 구조 성장을 공동으로 모델링하기 위해 (사후 검증이 아닌 학습 단계에서) 공유된 물리적 제약(GR 성장 ODE) 하에 물리 정보 다중 헤드 아키텍처를 사용한 최초의 사례이다.
2. 우주론을 위한 자동 미분: 본 방법은 ODE 잔차를 위한 네트워크 출력의 정확한 미분을 계산하기 위해 공간 격자나 유한 차분 근사를 사용하는 대신 자동 미분의 유용성을 입증한다.
3. 결합 효능: 두 관측량을 성장 방정식에 의해 결합하는 것이 가능하며 유익하다는 것을 입증하였으며, 이는 앙상블의 분산을 줄이고 역학적 일관성을 보장한다.

결과

• 최적의 결합: $\lambda = 0.1$이 데이터 적합도와 물리적 일관성 사이의 최적의 균형점으로 식별되었다. 이 값에서 물리 손실과 데이터 손실은 유사한 크기로 수렴하며, 어느 한 항이 그래디언트를 지배하는 것을 방지한다.
• $H_0$ 고정(Anchoring): 명시적인 $H_0$ 사전 확률 없이 네트워크는 편향된 낮은 $H_0$ ($46\text{--}52$ km s$^{-1}$ Mpc$^{-1}$)를 회복한다. SH0ES 또는 Local Distance Network 사전 확률에 고정했을 때, 네트워크는 사전 확률 값과 정확히 일치하는 $H_0$를 회복한다. 두 가지 서로 다른 사전 확률는 구별할 수 없는 $f\sigma_8(z)$ 재구성을 생성하며, 이는 채택된 $H_0$ 긴장 값에 대한 견고성을 보여준다.
• 성장 긴장: 재구성된 $f\sigma_8(z)$는 모든 적색편이에서 $\Lambda$CDM+GR 예측보다 체계적으로 낮게 위치하며, 가장 큰 편차는 $z \sim 0.4\text{--}1.0$ 부근에서 나타난다. 이는 $\sigma_8$ 긴장과 일치한다. 결합은 이 신호를 제거하지 않으며, 오히려 성장 헤드가 이 긴장을 노이즈로 흡수하는 것을 방지한다.
• 무효 검사(Null Tests):
  • **$Om(z)$:** 무효 검사는 저적색편이에서 평탄한$\Lambda$CDM 기대치로부터 눈에 띄는 이탈(비평탄 프로파일)을 보여주며, 여기에는 (Cosmic Chronometer 데이터의 희소성과 재구성 아티팩트로 인한) $z \lesssim 0.2$에서의 음의 딥(dip)과 중간 적색편이에서의 과잉이 포함된다.
  • $Om_{f\sigma_8}(z)$: 이 진단은 $\Lambda$CDM에 비해 억제된 성장을 확인해주며, 이는 이전 문헌(Ref. [9])에서 발견된 독립적인 ANN 재구성과 일치한다.
• 계통 오차: 저자들은 고정된 파라미터 $\Omega_{m,0}=0.3$ 및 $\sigma_{8,0}=0.8$이 사용되었음을 언급한다. 이러한 선택으로부터 오는 계통 불확실성이 통계적 앙상블 분산을 지배한다. 또한, 18개의 BAO 데이터 포인트는 Planck 2018 음향 지평선을 상속받으므로, 팽창 섹터에 모델 의존성을 도입한다.

의의 및 주장
본 논문은 $H(z)$와 $f\sigma_8(z)$를 학습 중 GR 성장 방정식을 통해 결합하는 것이 실현 가능하며 유익하다는 것을 입증하는 개념 증명임을 주장한다. 주요 의의는 다음과 같다:

1. 재구성은 두 경쟁적인 국소 $H_0$ 결정 사이의 선택에 대해 견고하다.
2. 물리적 결합은 물리적으로 동기화된 정규화 도구로서 작용하여, 특정 암흑 에너지 모델을 부과하지 않고도 더 매끄러운 재구성을 얻고 앙상블 불확실성을 줄인다.
3. 방법론은 국소 $H_0$ 값에 의해 제약될 때에도 $\sigma_8$ 긴장 신호(억제된 성장)를 성공적으로 회복하며, 이는 해당 긴장이 재구성 방법의 아티팩트가 아니라 데이터의 견고한 특징임을 시사한다.

저자들은 자신의 주장에 대해 겸손함을 명시적으로 표명한다: 그들은 새로운 물리학의 통계적으로 유의미한 탐지를 주장하는 것이 아니다. 앙상블 분산은 데이터 노이즈 리샘플링이 아니라 초기화 민감도에 의해 결정되며, 전체 사후 확률 불확실성이 완전히 전파되지 않았기 때문이다. 그들은 고정된 파라미터($\Omega_{m,0}, \sigma_{8,0}$) 및 개별 조사에 대한 Alcock-Pachynski 보정의 부재를 향후 과제로 해결해야 할 한계점으로 식별하였다.