Comparing explicit likelihood and likelihood-free simulation-based inference for weak lensing cosmic shear

기술 요약: 약한 중력 렌즈 효과의 코스믹 시어(Cosmic Shear) 분석을 위한 명시적 우도(Explicit Likelihood)와 우도 없는 시뮬레이션 기반 추론(Likelihood-Free Simulation-Based Inference) 비교

문제 정의
Euclid 및 LSST와 같은 Stage-IV 약한 중력 렌즈(Weak Lensing, WL) 탐사는 비가우시안 관측량(특히 $\Omega_m$ 및 $S_8$)으로부터 정밀한 우주론적 매개변수를 추출하는 것을 목표로 한다. 현재의 분석은 주로 2점 통계량(shear-2PCFs)과 가우시안 우도 근사에 의존하고 있으나, 이 방식은 렌싱 장(lensing field)을 압축하며 비선형 물질 진화로부터 오는 정보를 완전히 포착하지 못한다. 요약 통계량이 더 정보력이 높고 비선형적으로 변함에 따라, 가우시안 우도 가정은 점점 더 정당성을 잃게 되며, 이는 편향된 제약 조건으로 이어질 수 있다. 반대로, 우도 없는 추론(LFI)은 신경 밀도 추정기(NDEs)를 사용하여 시뮬레이션으로부터 우도를 직접 학습함으로써 명시적인 우도 모델링을 우회할 수 있는 방법을 제공한다. 그러나 동일한 시뮬레이션 세트, 일치하는 관측량 및 압축 전략을 사용하여 ELI와 LFI를 체계적으로 비교한 연구는 미미하게 수행되어 왔다. 본 연구는 두 프레임워크 간의 차이가 통계적 가정, 수치적 구현, 또는 요약 통계량의 정보 함유량에서 발생하는지를 이해하고자 하는 공백을 메운다.

방법론
저자들은 GLASS 프레임워크를 통해 생성된 Euclid 유사 시뮬레이션 세트를 활용하며, 이는 최종 Euclid DR3를 대표하는 형상 노이즈(shape noise)가 주입된 전천 가우시안 시어 맵을 생성한다. 분석은 단일 적색편이 빈($z_{max}=3$)을 갖는 비토모그래피(non-tomographic) 구성을 중심으로 한다.

1. 데이터 생성 및 압축:

   • 시뮬레이션: $\Omega_m$과 $\sigma_8$을 변화시키기 위해 라틴 하이퍼큐브 샘플링(LHS)이 사용된다. 딥러닝 학습용(LHS0)과 에뮬레이터 학습 및 LFI 분석용(LHS1)으로 구성된 두 개의 독립적인 5,100개 우주론적 노드 세트가 생성된다.
   • 요약 통계량: 평면 하늘 패치(flat-sky patches) 상에서 두 가지 프로브가 측정된다:
     • 시어 2점 상관 함수($\xi_\pm$): 가우시안 프로브.
     • ResNet-18 아키텍처를 사용하는 맵 수준의 합성곱 신경망(CNN) 통계량: 비선형 프로브.
   • 압축: 고차원 데이터 벡터(DVs)는 다음 두 가지 방법을 통해 매개변수 공간 차원($n_p=2$)으로 압축된다:
     • MOPED: 수치 미분과 공분산 행렬을 사용하는 선형적, 피셔 최적(Fisher-optimal) 압축.
     • 신경망(NN) 압축: DVs를 매개변수로 매핑하도록 학습된 비선형 다층 퍼셉트론(MLP).

2. 추론 프레임워크:

   • 명시적 우도 추론 (ELI): 압축된 통계량의 평균 신호를 예측하기 위해 가우시안 프로세스(GP) 에뮬레이터를 채택한다. 우도는 다변량 가우시안으로 가정되며, GP 예측값과 추정된 공분산 행렬을 사용하여 구축된다. 사후 확률 샘플링은 MCMC를 통해 수행된다.
   • 우도 없는 추론 (LFI): 신경 밀도 추정기(NDEs)를 사용하여 시뮬레이션 쌍으로부터 우도 또는 사후 확률을 직접 학습한다. 본 연구는 Neural Spline Flows (NSF), Masked Autoregressive Flows (MAF), Mixture Density Networks (MDN)와 같은 아키텍처를 사용하는 Neural Likelihood Estimation (NLE) 및 Neural Posterior Estimation (NPE)를 비교한다.

3. 검증:

   • 연구는 추론된 사후 확률의 신뢰성을 평가하기 위해 사후 확률 보정 진단 도구인 TARP(Test of Accuracy with Random Points)를 사용한다.
   • 압축된 요약치의 가우시안성은 Kolmogorov–Smirnov (KS) 검정과 전역 $\chi^2$ 적합도 검정을 통해 테스트된다.

주요 결과

• 보정 불일치: ELI는 에뮬레이션 부정확성이나 우도가 비가우시안인 경우 심각하게 잘못 보정(miscalibrated)된다. 반면, LFI는 테스트된 모든 시나리오에서 일관되게 잘 보정된 상태를 유지한다.
• 압축의 영향: 압축 방식의 선택은 ELI 성능에 상당한 영향을 미친다. MOPED로 압축된 시어-2PCFs는 가우시안에 가깝지만, NN으로 압축된 요약치는 강한 비가우시안 특성을 보인다. 결과적으로, ELI의 $\Omega_m$ 및 $S_8$ 제약 조건은 가우시안 우도 가정의 실패로 인해 CNN 통계량을 사용했을 때보다 최대 2배까지 차이가 날 수 있다.
• LFI의 견고성: 에뮬레이션 오차와 우도의 비가우시안성 문제가 해결되면, ELI와 LFI 사이의 불일치는 대부분 사라진다. LFI의 경우, 시어-2PCFs와 CNN 통계량으로부터 유도된 제약 조건 간의 차이는 약 30%로 줄어들며, 이는 딥러닝 프로브의 견고함을 입증한다.
• 가우시안성 테스트: 본 연구는 특정 압축 요약치에 대해 전역 $\chi^2$ 검정은 통과할 수 있지만, 빈(bin)별 주변 KS 검정은 유의미한 비가우시안성(예: NN 압축 시어-2PCFs)을 드러낼 수 있으며, 이는 ELI에서 사용되는 가우시안 우도 가정을 무효화하기에 충분하다는 점을 밝혀냈다.

의의 및 주장
저자들은 계통적 편향(systematic biases)을 배제한 본 연구의 설정 내에서, LFI가 약한 중력 렌즈 탐사로부터 우주론적 정보를 추출하는 데 있어 전통적인 ELI보다 더 견고하고 더 잘 보정된 프레임워크를 제공한다고 결론짓는다. 본 논문은 정확한 비가우시안 우도 모델링과 엄격한 사후 확률 보정 진단이 향후 ELI 분석에 필수적임을 강조한다. 결과는 잠재적으로 결함이 있는 가우시안 근사에 의존하지 않고도 2점 수준 이상의 복잡한 정보를 포착하기 위해 딥러닝 프로브(예: CNN)와 우도 없는 방법론을 결합하는 것의 잠재력을 보여준다. 본 연구는 향후 Stage-IV WL 탐사를 위한 검증 프레임워크를 제공하며, ELI 및 LFI 적용에 대한 지침을 제시한다.