Simulation-Based Inference for Cluster Cosmology with Set-Based Neural Network Architectures

기술 요약: 집합 기반 신경망 아키텍처를 이용한 클러스터 우주론을 위한 시뮬레이션 기반 추론

문제 정의
다가오는 SRG/eROSITA 전천 탐사는 X선 선택된 은하단(galaxy clusters)의 대규모 카탈로그를 통해 전례 없는 통계적 힘을 제공할 것입니다. 이러한 데이터셋으로부터 우주론적 제약을 추출하려면 관측 가능한 양과 기저의 우주론적 매개변수를 정확하게 연결하는 견고한 통계적 프레임워크가 필요합니다. 전통적인 분석은 일반적으로 라이클리후드 함수(likelihood functions)를 통한 수치적 계산을 포함하는 마르코프 연쇄 몬테카를로(MCMC) 방법에 의존합니다. 이러한 접근 방식은 몇 가지 중대한 한계에 직면합니다. 즉, 데이터를 빈(bin) 형태의 요약 통계량으로 압축해야 하므로 정보 손실이 발생하며, 수많은 더미 매개변수(nuisance parameters)를 적분해 나가야 하는 고차원 모델 복잡성을 다루기 어렵고, 샘플 크기와 부가 데이터(예: 약중력 렌즈 효과)가 증가함에 따라 계산 비용이 급증합니다. 또한, 복잡한 서베이 선택 함수, 내재적 산포(intrinsic scatter), 관측량 간의 상관관계를 표준 라이클리후드 프레임워크 내에서 모델링하는 것은 점점 더 어려워지고 있습니다.

방법론
저자들은 명시적인 라이클리후드 함수를 우회하도록 설계된 시뮬레이션 기반 추론(SBI) 프레임워크를 개발하고 구현하였습니다. 이 방법은 eRASS1 서베이에 맞춰 보정된 현실적인 모의 카탈로그(mock catalogs)를 사용하여 훈련된 두 단계의 신경망을 통해 작동합니다.

1. 모의 데이터 생성 파이프라인: 포워드 모델(forward model)은 11개의 매개변수(5개의 우주론적 매개변수, 5개의 X선 스케일링 관계, 1개의 상관 계수)의 부분 집합을 기반으로 합성 은하단 카탈로그를 생성합니다. 이 파이프라인은 다음을 포함합니다:

   • 헤일로 질량 함수(HMF)로부터의 샘플링.
   • X선 계수율(count-rates) 및 약중력 렌즈(WL) 질량에 대한 스케일링 관계 적용(내재적 상관 산포 포함).
   • eRASS1 선택 함수(높은 순도를 위해 $L_{ext} > 10$ 컷 적용) 및 기기 산포 모델링.
   • 약중력 렌즈 정보를 통합하기 위해 DES 유사 서베이를 모델링한 접선 전단 프로파일(tangential shear profiles) 생성.
     결과물인 모의 카탈로그는 가변적인 수의 클러스터를 포함하며, 각 클러스터는 8차원 벡터(로그 계수율, 적색편이, 6개의 접선 전단 값)로 표현됩니다.

2. 신경망 아키텍처:

   • 집합 기반 임베딩 네트워크: 고정된 차원의 입력을 요구하는 빈딩(binning) 없이 가변적인 수의 클러스터를 처리하기 위해, 저자들은 순열 불변(permutation-invariant) "집합 기반" 신경망(Deep Sets의 변형)을 채택했습니다. 이 네트워크는 인코더($\phi$)를 통해 개별 클러스터를 처리하고, 순열 불변 집계기(aggregator)를 사용하여 결과 피처 벡터를 통합합니다. 집계기는 집합의 카디널리티($\log N$), 합, 평균, 최댓값 및 교차 특징 상관 행렬(cross-feature correlation matrix) 등의 통계량을 계산합니다. 이를 통해 고정된 길이의 매우 정보력이 높은 요약 벡터를 생성합니다.
   • 신경 후험 추정(Neural Posterior Estimation): 요약 벡터는 마스크된 자기회귀 흐름(Masked Autoregressive Flow, MAF)이라는 유형의 노멀라이징 플로우(normalizing flow)로 전달됩니다. MAF는 모의 파이프라인에서 생성된 매개변수와 요약 통계량의 결합 분포로부터 조건부 후험 분포 $p(\theta | \hat{x})$를 직접 학습합니다. 훈련 목표는 요약 통계량이 주어졌을 때의 실제 매개변수에 대한 음의 로그 가능도(negative log-likelihood)를 최소화하는 것입니다.

주요 기여

• 가변 길이 입력 처리: 본 연구는 고정된 입력 벡터 차원을 요구하지 않고 X선 선택 클러스터에 대한 베이지안 우주론적 추론을 수행하는 SBI의 첫 번째 적용 사례를 제시합니다. 집합 기반 신경망을 활용함으로써, 이 방법은 전통적인 빈딩과 관련된 정보 손실을 피하면서 다양한 크기의 카탈로그를 자연스럽게 처리합니다.
• 전체 정보 활용: 이 프레임워크는 사전에 정의된 요약 통계량으로 압축하는 대신, 개별 클러스터의 전단 프로파일과 계수율을 포함한 전체 클러스터 수준의 정보 함량을 활용합니다.
• 서베이 효과에 대한 견고성: 본 방법은 현실적인 서베이 효과(선택 편향 및 스케일링 관계의 내재적 산포 포함)를 대상으로 테스트되었으며, 엄격한 보정 테스트를 통해 견고함을 입증했습니다.
• 확장성: 이 아키텍처는 더 복잡한 포워드 모델과 추가적인 관측량으로 확장 가능하도록 설계되었으며, MCMC에서 흔히 발생하는 고차원 적분 과정의 계산적 폭발을 피할 수 있습니다.

결과
프레임워크는 200,000개의 모의 카탈로그를 사용하여 검증되었습니다. 주요 결과는 다음과 같습니다:

• 매개변수 회복: 이 방법은 입력된 우주론을 추론된 불확실성 범위 내에서 성공적으로 회복했습니다. 약 $\text{3,300}$개의 클러스터(eRASS1 $L_{ext} > 10$ 하위 샘플의 유효 샘플 크기와 일치)를 가진 모의 샘플에 대해, 달성된 평균 제약은 $\Omega_m$에 대해 11.5%, **$\sigma_8$에 대해 4.4%**였습니다.
• MCMC와의 비교: 더 큰 샘플을 사용한 기존 MCMC 분석(G24 분석)에 비해 더 작은 클러스터 하위 샘플(5,259개 대비 3,259개)을 사용하고 광학적 풍부도(optical richness)를 질량 프록시로 생략했음에도 불구하고, SBI의 정밀도는 기존 MCMC 분석과 대등했습니다. 또한, SBI 프레임워크는 MCMC 방식보다 X선 스케일링 관계의 내재적 산포를 더 타이트하게 회복함을 보여주었습니다.
• 보정(Calibration): 후험 추정기는 시뮬레이션 기반 보정(SBC) 및 무작위 점을 이용한 정확도 테스트(TARP) 진단을 통과하였으며, 이는 추정된 후험 분포가 잘 보정되어 있고 편향되지 않았음을 확인시켜 줍니다(약간의 과신 경향만 존재함).
• 성능: 요약 네트워크는 검증 세트의 제약된 매개변수에 대해 약 0.93의 결정 계수($R^2$)를 달성했습니다.

의의
본 논문은 차세대 대규모 구조 분석을 위한 SBI의 방법론적 검증으로서 이 연구의 위치를 설정합니다. 저자들은 현재 연구가 프레임워크 검증을 위해 모의 데이터에 집중하고 있지만, 이 접근 방식이 고차원 적분의 막대한 계산 비용 없이도 증가하는 모델 복잡성과 데이터 볼륨을 처리할 수 있는 유연한 대안을 제공한다는 점을 강조합니다. 이 프레임워크는 향-미래의 X선 클러스터 서베이 및 다파장 분석(예: Euclid 또는 Roman 우주 망원경 데이터와 결합)으로 쉽게 확장 가능한 형태로 제시되며, 거대 데이터셋 시대에 효율적이고 정확한 우주론적 매개변수 추정을 향한 경로를 제공합니다. 저자들은 부분적인 전단 피복(partial shear coverage)과 같은 특정 데이터 특성을 처리하기 위한 추가적인 적응이 필요함에 따라, 실제 관측 데이터에 이 프레임워크를 적용하는 것은 향후 과제로 남겨두었습니다.