Replicating weak-lensing summary-statistic covariances with normalizing flows

Technische Samenvatting: Het repliceren van covarianties van zwakke lenswerking-samenvattingsstatistieken met Normalizing Flows

Probleemstelling
Zwakke gravitationele lenswerking is een primaire methode voor het beperken van kosmologische parameters (bijv. $\Omega_m$, $\sigma_8$, eigenschappen van donkere energie) door de analyse van de statistische verdeling van materie. Het analyseren van zwakke lenswerking-data vereist echter nauwkeurige covariantie-matrices voor samenvattingsstatistieken (zoals de hoekverdeling van vermogen, waarschijnlijkheidsdichtheidsfuncties en Minkowski-functionalen) om onzekerheden te kwantificeren. Het genereren van de grote ensembles aan kosmologische simulaties die nodig zijn om deze covarianties empirisch te schatten, is computationeel zeer kostbaar, wat een knelpunt vormt voor analyses van huidige en toekomstige surveys (bijv. Euclid, LSST).

Hoewel machine learning generatieve modellen (VAE's, GAN's, Normalizing Flows) een weg bieden om synthetische convergentie ($\kappa$) kaarten te genereren tegen verwaarloosbare computationele kosten, hangt hun validiteit af van de vraag of ze niet alleen het gemiddelde en de variantie van samenvattingsstatistieken accuraat reproduceren, maar ook de covariantiestructuur (specifiek de off-diagonaal elementen). Een model dat gemiddelden en varianties matcht maar faalt in het vastleggen van de gezamenlijke verdeling van statistiek-bins, kan leiden tot overmoedige kosmologische beperkingen. Dit artikel onderzoekt de getrouwheid van Normalizing Flow (NF) modellen bij het repliceren van deze covariantiestructuren.

Methodologie
De auteurs maken gebruik van de SLICS-suite van hoog-resolutie N-body simulaties ($N_{sim} = 954$ lichtkegels) om NF-modellen te trainen en te testen. De studie evalueert twee verschillende trainingsscenario's:

1. Data Vector Training: Het direct trainen van NF's op 1D samenvattingsstatistiek-vectoren (Hoekverdeling van vermogen $C_\ell$, $\kappa$-PDF, en Minkowski-functionalen) afgeleid van de simulaties.
2. Map-Level Training: Het trainen van NF's op de volledige 2D convergentiekaarten ($\kappa$-kaarten) om de pixelverdeling direct te leren.

Twee NF-architecturen worden toegepast:

• Neural Spline Flows (NSF): Gebruikt voor de 1D data-vectoren. Deze maken gebruik van rationaal-kwadratische splines geparametriseerd door neurale netwerken om complexe verdelingen te modelleren.
• Multiscale Normalizing Flows (MS): Gebruikt voor 2D $\kappa$-kaarten. Deze architectuur maakt gebruik van een hiërarchie van squeeze-and-split operaties (geïnspireerd door RealNVP) om afbeeldingen op meerdere ruimtelijke resoluties te verwerken, waarbij de afbeelding wordt getransformeerd naar een Gaussische latente ruimte en vice versa.

De auteurs testen de modellen over verschillende resoluties ($64\times64$, $128\times128$, $256\times256$ pixels) en onderzoeken mitigatiestrategieën voor covariantie-onderschatting, waaronder:

• Het vergroten van de netwerkdiepte (toevoegen van multiscale niveaus).
• Data-augmentatie (het afsnijden en roteren van $10\times10$ deg$^2$ kaarten naar $5\times5$ deg$^2$ patches).
• Trainen met toegevoegde Gaussische pixelruis (het simuleren van LSST-achtige survey-condities).

Belangrijkste Resultaten

• Herstel van Gemiddelde en Variantie: In beide trainingsscenario's reproduceren de NF-modellen het gemiddelde en de standaarddeviatie (variantie) van de samenvattingsstatistieken ($C_\ell$, PDF, MFs) met een nauwkeurigheid op percentniveau.
• Covariantie-onderschatting: Een significante beperking wordt geïdentificeerd in het herstel van de off-diagonaal elementen van de covariantie.
  • Wanneer getraind op data-vectoren, wordt de covariantie met ongeveer 5% onderschat voor $C_\ell$ en PDF, maar tot wel 13% voor Minkowski-functionalen.
  • Wanneer getraind op volledige kaarten met een eenvoudige multiscale architectuur, is de onderschatting ernstig: de variantie wordt met ~25% onderschat en de off-diagonaal covariantie-termen met wel 75% voor grotere kaarten ($256\times256$).
• Mitigatiestrategieën:
  • Netwerkomvang: Het vergroten van de diepte van de multiscale architectuur vermindert de discrepantie, maar lost het probleem niet volledig op (het vermindert de variantie/covariantie-fouten tot ~18%).
  • Data-augmentatie: Het afsnijden en roteren van kaarten om de effectieve trainingsset te vergroten, verbetert het herstel van de covariantie, waardoor de off-diagonaal fouten worden gereduceerd tot ~16%.
  • Ruisinjectie: Het toevoegen van Gaussische ruis aan de trainingskaarten is de meest effectieve strategie. Het vermindert de onderschatting van de off-diagonaal covariantie voor de vermogensverdeling tot ~3%. Echter, voor niet-Gaussische statistieken (PDF en MFs) is de verbetering beperkt (fouten blijven tussen 13–30%), omdat de geïnjecteerde ruis Gaussisch is en de niet-Gaussische structuur die deze statistieken drijft, niet vangt.
• Omvang van de Trainingsset: De studie stelt vast dat ongeveer 200 simulaties voldoende zijn om de covariantiestructuur met ~92% nauwkeurigheid te herstellen. De nauwkeurigheid vlakt af nabij 95% naarmate de trainingsset de volledige omvang van de simulatiesuite nadert.

Betekenis en Claims
Het artikel positioneert het nauwkeurige herstel van covariantie-matrices als een rigoureuze diagnose voor de getrouwheid van generatieve modellen, en voert aan dat het matchen van gemiddelden en varianties onvoldoende is voor kosmologische inferentie. De auteurs beweren dat hoewel NF's krachtige instrumenten zijn voor het genereren van hoog-getrouwe synthetische kaarten en het emuleren van samenvattingsstatistieken, ze lijden aan een systematische neiging tot het onderschatten van de off-diagonaal covarianties, vooral wanneer ze worden toegepast op hoog-dimensionale data met beperkte trainingssamples.

De studie concludeert dat zonder specifieke mitigatiestrategieën — specifiek data-augmentatie en trainen met ruisvelden — NF-gegenereerde kaarten kunnen leiden tot overmoedige kosmologische posteriors door onderschatte onzekerheden. De auteurs presenteren deze bevindingen niet als een falen van de methode, maar als een noodzakelijke diagnostische stap voordat generatieve modellen worden ingezet als snelle emulatoren of componenten van simulation-based inference pipelines voor stage-IV zwakke lenswerking-surveys. Zij suggereren dat toekomstige toepassingen, met name die met diffusiemodellen of complexe niet-Gaussische statistieken, rekening moeten houden met deze schaalbaarheidslimieten en ruiskarakteristieken.