GalSBI: Forward Modelling Galaxy Clustering and Population

GalSBI: 은하 클러스터링 및 인구 통계의 순방향 모델링에 관한 기술 요약

문제 정의
순방향 모델링(Forward modelling)은 대규모 구조 탐사를 분석하기 위한 강력한 접근법으로 부상하였으며, 실제 데이터와 동일한 계통 오차(systematic effects) 및 선택 효과를 따르는 합성 관측치를 생성하는 것을 목표로 한다. 기존의 GalSBI 프레임워크 구현들은 매개변수적 인구 모델과 이미지 시뮬레이션(UFig)을 사용하여 은하 광도 및 형태를 성공적으로 모델링했으나, 은하의 위치를 균일하게 무작위로 할당하였다. 이러한 공간적 클러스터링(clustering)의 무시는 샘플 분산(sample variance)을 정확하게 정량화하고, 과밀 영역에서의 소스 블렌딩(source blending)을 모델링하며, 완전하게 자기 일관적인 $3\times2$pt(약중력 렌징 및 은하 클러스터링) 분석을 수행하는 프레임워크의 능력을 제한한다. 또한, 은하를 암흑 물질 헤일로에 연결하는 기존의 서브헤일로 풍부도 매칭(Subhalo Abundance Matching, SHAM) 기법은 방대한 카탈로그를 샘플링하고 정렬해야 하는 필요성 때문에 온더플라이(on-the-fly) 이미지 시뮬레이션 파이프라인에 적용하기에는 계산 비용이 너무 높았다.

방법론
저자들은 은하 인구와 그들의 공간적 클러스터링을 공동으로 모델링하기 위해 GalSBI 프레임워크를 확장하였다. 이 방법론은 세 가지 주요 구성 요소를 통합한다:

1. 헤일로 및 서브헤일로 시뮬레이션: 저자들은 라그랑주 섭동 이론(Lagrangian Perturbation Theory)을 사용하여 헤일로 라이트콘(lightcone) 카탈로그와 병합 이력을 생성하기 위해 PINOCCHIO를 활용한다. 서브헤일로는 병합 이력에서 추출되며, 서브헤일로의 생존 시간은 호스트 대비 서브헤일로의 질량비와 궤도 원형성에 의존하는 피팅 함수를 통해 모델링된다. 서브헤일로의 위치는 호스트 헤일로 내의 등온 프로파일(isothermal profile)로부터 도출된다.
2. SHAM-OT를 통한 은하-헤일로 연결: 헤일로 카탈로그에 은하를 배치하기 위해, 저자들은 서브헤일로 풍부도 매칭(SHAM)을 채택한다. 계산상의 병목 현상을 극려하기 위해, 저자들은 SHAM을 최적 운송(Optimal Transport, OT) 문제로 재구성한 SHAM-OT를 사용한다. 이 방법은 대규모 카탈로그를 정렬하는 대신, 정규화된 히스토그램을 사용하여 헤일로 질량 함수와 은하 광도 함수를 매칭한다. 엔트로피 정규화(Entropic regularization)가 OT 솔루션에 적용되어, 디컨볼루션(deconvolution) 없이도 로그 정규 분포(lognormal) 형태의 광도 산포(scatter)를 모사함으로써 은하-헤일로 연결의 산포를 포함한다.
   • 모델은 적색(quenched, 퀘칭된) 및 청색(star-forming, 별 형성 중인) 인구를 구분한다. 퀘칭은 중심 은하의 경우 헤일로 질량에 의존하고, 위성 은하의 경우 병합 후 경과 시간에 의존하는 매끄러운 전이(error functions)를 통해 모델링된다.
3. 시뮬레이션 기반 추론 (SBI): 모델 파라미터는 반복적인 근사 베이지안 계산(Approximate Bayesian Computation, ABC) 접근법을 통해 제약된다.
   • 데이터: 프레임워크는 Dark Energy Survey Year 3 (DES Y3) 이미징과 Hyper Suprime-Cam (HSC) deep/ultra-deep 필드에 대해 검증되었다.
   • 에뮬레이터 적응: 클러스터링된 위치가 블렌딩을 전역적인 노이즈가 아닌 국소적인 환경 효과로 만든다는 점을 인식하여, 저자들은 탐지 단계에서 기존의 탐지 분류기 대신 실제 이미지 시뮬레이션(특히 $i$-밴드)을 교체하였다. 다른 밴드의 광도는 정규화 흐름(normalizing flow)을 사용하여 에뮬레이션한다. 이는 계산 효율성을 유지하면서 클러스터링 통계를 보존한다.
   • 거리 척도: 추론은 은하 수의 분율, 광도/형태 특성에 대한 바세슈타인 거리(Wasserstein distance), 그리고 12개의 등급 및 색상 서브 샘플에 대해 계산된 각도 파워 스펙트럼($C_\ell$)에 기반한 거리를 결합한 가중 거리 메트릭을 최소화한다.

주요 기여

• GalSBI의 확장: 은하 광도, 형태 및 공간적 클러스터링을 공동으로 모델링하는 최초의 GalSBI 구현이다.
• 효율적인 SHAM-OT: SHAM에 최적 운송을 적용함으로써 은하-헤일로 연결을 온더플라이로 계산할 수 있게 하여, 전통적인 SHAM에 비해 계산 비용을 수 차수(orders of magnitude) 낮추었다.
• 현실적인 클러스터링을 포함한 시뮬레이션: 은하의 위치가 암흑 물질 헤일로와 물리적으로 상관관계가 있는 이미지 시뮬레이션을 생성함으로써, 샘플 분산 및 과밀 영역에서의 블렌딩 연구를 가능하게 하였다.
• 업데이트된 추론 파이프라인: 균일한 위치 가정으로 인해 발생하는 클러스터링 통계의 편향을 피하기 위해 이미지 기반 탐지를 사용하는 수정된 SBI 파이프라인을 사용한다.

결과

• 은하 인구 제약: 추론된 은하 인구 파라미터(광도 함수, 크기-광도 관계)는 이전의 GalSBI 결과 및 외부 문헌과 일치한다. 퀘칭 파라미터(질량 한계 및 시간 척도)는 선행 연구와 일치하지만, 급격한 전이 가정을 완화함으로써 감소된 퇴화(degeneracy)를 보여준다.
• 은하-헤일로 연결: 산포를 포함한 측정된 은하-헤일로 연결은 국소적 측정값(예: 은하수, 안드로메다) 및 털리-피셔(Tully-Fisher) 관계와 잘 일치한다. 모델은 청색 은하에 비해 적색 은하에서 유의미하게 큰 산포를 발견하였는데, 이는 적색 인구에서 위성 은하가 차지하는 비중 때문으로 분석된다.
• DES 및 HSC 검증:
  • 광도 및 형태: 시뮬레이션된 등급, 색상 및 크기 분포는 DES Y3 및 HSC deep field 데이터와 잘 일치한다.
  • 클러스터링: 시뮬레이션된 은하 위치의 각도 파워 스펙트럼($C_\ell$)은 다양한 등급 및 색상 컷에 대해 실제 데이터와 일치한다.
  • 적색편이 분포: HSC deep 필드에 대한 시뮬레이션된 적색편이 분포($n(z)$)는 (비클러스터링 모델의 매끄러운 분포와 달리) 실제 데이터와 유사한 "스파이키(spiky)"한 특징을 보인다. 평균 적색편이는 등급 컷에 따라 고정밀 광도 적색편이(Lephare, EAZY)와 $0.2\sigma$에서 $1.6\sigma$ 이내로 일치한다.
• 불확정성 정량화: 본 연구는 적색편이 분포에 대한 샘플 분산의 영향을 정량화한다. COSMOS 필드 크기에 대해, 샘플 분산은 밝은 샘플($<24$ mag)에서 지배적인 불확실성 원인인 반면, 더 어두운 샘플에서는 은하 인구 모델의 불확실성이 지배적이다.

의의
본 논문은 업데이트된 GalSBI 프레임워크가 현실적인 클러스터링을 포함한 순방향 모델링된 이미지 시뮬레이션을 가능하게 한다고 주장한다. 이 능력은 다음과 같은 점에서 중요하다:

• 샘플 분산: COSMOS와 같은 작은 필드에서 캘리브레이션할 때 샘플 분산의 영향을 정량화한다.
• 블렌딩 캘리브레이션: 깊은 탐사(예: HSC deep 필드는 클러스터링으로 인해 DES에 비해 약 7% 감소된 은하 탐지율을 보임)를 위한 블렌딩 캘리브레이션을 개선하며, 이는 Stage-IV 조사에 매우 중요하다.
• 계통 오차 제어: 광도, 형태 및 공간적 위치를 공동으로 모델링함으로써 자기 일관적인 $3\times2$pt 분석을 위한 자가 도구를 제공한다.
• 미래 탐사: 소스 클러스터링과 샘플 분산 효과를 포함하는 현실적인 시뮬레이션을 제공함으로써 현재 및 차세대 우주론 탐사(예: Rubin-LSST, Euclid, Roman)를 위한 강력한 도구 역할을 한다.

저자들은 현재의 산포 모델이 대칭적이고 일정하지만, 향//후 작업에서 질량 의존적 산포 변화를 고려하기 위해 비용 행렬(cost matrix)을 조정할 수 있다고 언급하였다. 또한, 이 프레임워크는 분광 데이터 및 더 넓은 파장 범위를 가진 다른 탐사로 확장 가능하도록 설계되었다.