DeepVoid: A Deep Learning Void Detector

Probleemstelling

De grote schaalstructuur van het heelal wordt gedomineerd door kosmische holtes (voids), onderdichte gebieden die ongeveer 70% van het volume van het universum beslaan. Het analyseren van deze voids is cruciaal voor het bestuderen van donkere energie, modificaties van de algemene relativiteitstheorie en de evolutie van de kosmische structuur.

De huidige uitdagingen bij het detecteren van voids zijn:

1. Definitie: Er is geen universeel akkoord over wat een "void" precies is. Bestaande methoden variëren sterk in hun definitie (bijv. gebaseerd op dichtheid of watershed-segmentatie), wat vergelijkingen tussen studies bemoeilijkt.
2. Observatiebeperkingen: Nieuwe en toekomstige hemelkaarten (zoals DESI, Euclid, LSST) zullen zeer diep gaan, maar de steekproeven van sterrenstelsels zullen vaak erg schaars zijn (lage dichtheid van "tracers"). Traditionele methoden, zoals het berekenen van de getijden-tensor (tidal tensor) op basis van de zwaartekrachtspotentiaal, vereisen een dichte, continue dichtheidsverdeling en falen bij schaarse data.
3. Bias: Sterrenstelsels zijn niet perfect gekoppeld aan de onderliggende donkere materie; ze vertonen "tracer bias", wat de grootteverdeling en profielen van voids beïnvloedt.

Methodologie

De auteurs introduceren DeepVoid, een deep learning-benadering die gebruikmaakt van Convolutional Neural Networks (CNNs) om kosmische structuren te segmenteren op basis van een fysische definitie.

1. Fysische Definitie (Ground Truth):

   • In plaats van voids te definiëren op basis van dichtheid alleen, gebruiken de auteurs de getijden-tensor ($T_{ij}$), de Hessiaan van het gravitatiepotentiaal.
   • Gebaseerd op de theorie van Zel'dovich, worden structuren geclassificeerd op basis van het aantal positieve eigenwaarden van de getijden-tensor:
     • Voids: 0 positieve eigenwaarden.
     • Walls (Muren): 1 positieve eigenwaarde.
     • Filamenten: 2 positieve eigenwaarden.
     • Halos: 3 positieve eigenwaarden.
   • Een drempelwaarde ($\lambda_{th} = 0.65$) wordt gebruikt om de klassen te onderscheiden, wat resulteert in een realistische verdeling van de kosmische web-structuren.

2. Architectuur:

   • Het model maakt gebruik van een U-Net architectuur, een type CNN dat oorspronkelijk is ontworpen voor medische beeldsegmentatie.
   • De U-Net bestaat uit een encoder-pad (die hoge-level features extrahert via convolutie en pooling) en een decoder-pad (die ruimtelijke details herstelt via upsampling).
   • Skip-connections verbinden de encoder en decoder om kleine schaal-informatie te behouden, wat essentieel is voor precieze lokalisatie van structuren.
   • De uitvoer is een multiclass segmentatie (void, wall, filament, halo) per voxel.

3. Trainingsstrategie:

   • Data: Het model is getraind op data uit de IllustrisTNG300 simulatie (een gravito-magnetohydrodynamische simulatie).
   • Curriculum Learning (CL): Om het probleem van schaarse data aan te pakken, gebruiken de auteurs curriculum learning. Het model wordt eerst getraind op dichte data (alle donkere materie deeltjes, $\lambda = 0.33 h^{-1}$ Mpc). Vervolgens worden de gewichten gebruikt als startpunt voor training op steeds schaarsere data (subhalo's met $\lambda = 1, 3, 5, 7, 10 h^{-1}$ Mpc).
   • Data Augmentatie: Rotaties van 90° worden toegepast om het trainingsdataset te vergroten en overfitting te voorkomen.
   • Verliesfunctie: Sparse Categorical Cross Entropy (SCCE) wordt gebruikt als hoofdverliesfunctie.

Belangrijkste Bijdragen

• Fysisch Gebaseerde Definitie: DeepVoid definieert voids niet arbitrair, maar op basis van de onderliggende gravitationele dynamica (getijden-tensor), wat een robuuste fysische grondslag biedt.
• Omgaan met Schaarse Data: Het is de eerste toepassing van deep learning die succesvol kosmische structuren kan segmenteren in data met een zeer lage tracer-dichtheid (tot $\lambda = 10 h^{-1}$ Mpc), wat vergelijkbaar is met toekomstige diepe sterrenstelsel-surveys.
• Curriculum Learning voor Kosmologie: De auteurs demonstreren dat het stapsgewijs trainen van een model (van dicht naar schaars) aanzienlijk betere resultaten oplevert dan het direct trainen op schaarse data of het toepassen van een op dichte data getraind model op schaarse data.
• Efficiëntie: DeepVoid is aanzienlijk sneller dan traditionele FFT-gebaseerde methoden voor het berekenen van de getijden-tensor (15 minuten vs. 88 minuten voor een kubus van $512^3$ op een GPU).

Resultaten

De prestaties worden gemeten met de F1-score (specifiek voor de void-klasse) en de Matthews Correlation Coefficient (MCC) voor alle klassen.

1. Dichte Data (Full DM):

   • Getraind op volledige donkere materie deeltjes ($\lambda = 0.33 h^{-1}$ Mpc).
   • Void F1-score: 0.96.
   • MCC: 0.81.
   • Het model herkent de structuren bijna perfect en dient als een nauwkeurige "emulator" van de getijden-tensor.

2. Schaarse Data (Subhalo's):

   • Getraind met Curriculum Learning tot een tracer-afstand van $\lambda = 10 h^{-1}$ Mpc.
   • Void F1-score: 0.89.
   • MCC: 0.60.
   • Zelfs bij deze extreme schaarste (een factor $3 \times 10^4$ minder dichtheid dan de basisdata) behoudt het model een hoge nauwkeurigheid in het identificeren van voids.
   • De prestatie voor muren en filamenten neemt iets af (meer verwarring tussen deze klassen), maar de void-detectie blijft robuust.

3. Visuele Validatie:

   • Visuele vergelijkingen tonen aan dat het model de grote schaalstructuren correct herkent, hoewel kleine details (zoals dunne filamenten of muren tussen kleine voids) bij zeer schaarse data soms worden gemist of verkeerd geclassificeerd.

Betekenis en Toekomstperspectief

DeepVoid biedt een krachtig nieuw instrument voor de kosmologie. Door in staat te zijn om structuren te detecteren in schaarse datasets, opent het de deur voor het gebruik van kosmische voids in toekomstige surveys (zoals DESI, Euclid, LSST) waar traditionele methoden falen door gebrek aan data.

De belangrijkste implicaties zijn:

• Toekomstige Surveys: Het maakt het mogelijk om voids te analyseren op hoge roodverschuivingen waar de dichtheid van waargenomen sterrenstelsels laag is.
• Cosmologische Tests: Het biedt een betrouwbaar middel om parameters zoals de donkere energie-vergelijking van staat en modificaties van de zwaartekracht te testen via de vorm en grootte van voids.
• Verdere Ontwikkeling: De auteurs plannen om DeepVoid te trainen op mock-catalogi van sterrenstelsels om tracer-bias en roodverschuivingsvervormingen (RSD) expliciet te behandelen, en uiteindelijk toe te passen op echte observatiedata.

Kortom, DeepVoid vertegenwoordigt een paradigmaverschuiving van handmatige, parameter-gevoelige void-detectie naar een datagedreven, fysisch onderbouwde deep learning-aanpak die schaalbaar is voor de volgende generatie kosmologische experimenten.