Simulation-based inference from the Lyman-alpha forest 1D power spectrum with CAMELS

Titel: Simulation-based inference van het Lyman-α-forest 1D-krachtspectrum met CAMELS

Auteurs: F. Sinigaglia, P. Iglesias-Navarro, M. Viel
Doelgroep: Journal of Cosmology and Astroparticle Physics (JCAP)

1. Het Probleem

De 1D-fluxkrachtspectrum ($P_{1D}(k)$) van het Lyman-α-forest (absorptie door neutraal waterstof in de spectra van verre quasar) is een van de meest gevoelige sondes voor kleine schaalstructuren in het hoge-roodverschuivingsuniversum ($2 \lesssim z \lesssim 5$). Het biedt unieke inzichten in donkere materie, de thermische geschiedenis van het intergalactische medium (IGM), neutrino-massa en fundamentele fysica.

Echter, het interpreteren van deze waarnemingen vereist complexe modellering van niet-lineaire structuurvorming, gasdynamica en astrofysische feedback (zoals supernova's en AGN). Traditionele inferentiemethoden vertrouwen op:

1. Interpolatie van simulaties: Het bouwen van likelihoods via roosters van hydrodynamische simulaties, wat interpolatiefouten kan introduceren.
2. Gaussische aannames: Veel methoden veronderstellen een Gaussische likelihood, wat de complexiteit van degeneraties en niet-lineaire correlaties kan maskeren.
3. Beperkte modeldiversiteit: Vaak wordt slechts één simulatiecode of één feedbackmodel gebruikt. Verschillende galaxy-formation modellen (zoals IllustrisTNG en SIMBA) kunnen echter verschillende voorspellingen doen voor dezelfde kosmologische parameters, wat leidt tot systematische onzekerheden en bias.

Er is behoefte aan een robuust inferentiekader dat astrofysische onzekerheden efficiënt kan marginaliseren en bestand is tegen verschillen tussen simulatiecodes.

2. Methodologie

De auteurs voeren voor het eerst Simulation-Based Inference (SBI) uit op het Lyman-α-forest $P_{1D}(k)$, gebruikmakend van de CAMELS-simulatiesuite (Cosmology and Astrophysics with MachinE Learning Simulations).

• Data: Ze gebruiken 1.000 hydrodynamische simulaties per model, variërend in:
  • Kosmologische parameters: $\Omega_m$ en $\sigma_8$.
  • Astrofysische parameters: Vier parameters die supernova- en AGN-feedback regelen ($A_{SN1}, A_{SN2}, A_{AGN1}, A_{AGN2}$).
  • Modellen: Twee state-of-the-art modellen: IllustrisTNG (gebruikmakend van AREPO) en SIMBA (gebruikmakend van GIZMO).
• Observables: Het 1D-krachtspectrum van de flux ($P_{1D}(k)$) afgeleid van "skewers" (lijnen van zicht) in het bereik $2.0 < z < 3.5$.
• Inferentie-methode:
  • Ze gebruiken Neural Posterior Estimation (NPE) met Normalizing Flows (specifiek Masked Autoregressive Flows - MAF).
  • In plaats van een expliciete likelihood-functie te construeren, leert het neurale netwerk de directe mapping van de data ($P_{1D}(k)$) naar de posterieure verdeling van de parameters.
  • Input: Een vector van $P_{1D}(k)$ waarden over 8 roodverschuivingsbinnen.
  • Output: De posterieure verdeling van de parameters.
• Preprocessing: Omdat SIMBA en IllustrisTNG een systematisch verschil tonen in de gemiddelde flux ($\bar{F}$) (SIMBA voorspelt een lagere flux bij $z \gtrsim 3$), passen de auteurs een flux-rescaling toe op de SIMBA-data om deze te matchen met IllustrisTNG. Dit is cruciaal om bias te voorkomen.

3. Belangrijkste Bijdragen

1. Eerste toepassing van SBI op Lyman-α: Dit is het eerste werk dat volledige SBI toepast op het Lyman-α-forest 1D-krachtspectrum voor kosmologische inferentie.
2. Omgaan met modeldivergentie: Het artikel demonstreert dat het trainen op slechts één simulatiecode (bijv. IllustrisTNG) en testen op een andere (SIMBA) leidt tot significante bias en oververzekerdheid (overconfidence) in de resultaten.
3. Multi-domain training als oplossing: Ze introduceren een "multi-domain training" strategie waarbij het netwerk wordt getraind op een combinatie van beide modellen (IllustrisTNG + SIMBA). Dit blijkt een effectieve oplossing te zijn om de bias te elimineren en robuuste, onbevooroordeelde resultaten te verkrijgen, ondanks de verschillen in baryon-fysica.
4. Beperkingen van feedback-constraints: Ze tonen aan dat binnen het huidige simulatievolume (25 $h^{-1}$ Mpc$^3$) de kosmische variatie de signaalsterkte van de feedbackparameters overheerst, waardoor de astrofysische parameters niet goed kunnen worden ingeschat.

4. Resultaten

• Trainen en testen op hetzelfde model:

  • Wanneer getraind en getest wordt op hetzelfde model (bijv. TNG-TNG), zijn de resultaten uitstekend.
  • De kosmologische parameters ($\Omega_m$ en $\sigma_8$) worden onbevooroordeeld voorspeld.
  • Nauwkeurigheid: >75% van de gevallen voor $\Omega_m$ en >90% voor $\sigma_8$ liggen binnen 10% van de ware waarde.
  • Precisie: De mediane precisie is ongeveer 8% voor $\Omega_m$ en 6% voor $\sigma_8$.
  • Astrofysische parameters: Deze blijven onbeperkt (unconstrained) door de beperkte proefvolume en overheersende kosmische variatie.

• Cross-model inferentie (Train TNG, Test SIMBA):

  • Zonder aanpassing leidt dit tot ernstige bias (vooral een positieve bias van ~10% in $\sigma_8$).
  • De posterieuren zijn "overconfident" (de geschatte onzekerheden zijn te klein).
  • Zelfs met flux-rescaling blijft de bias en spreiding groter dan bij zelf-consistente tests.

• Multi-domain training (Train TNG + SIMBA, Test beide):

  • Door het netwerk te trainen op een combinatie van beide datasets, wordt de bias volledig hersteld.
  • De resultaten zijn onbevooroordeeld en vergelijkbaar in nauwkeurigheid met de single-model tests.
  • Dit bewijst dat multi-domain training een effectieve strategie is om om te gaan met het gebrek aan convergentie tussen verschillende galaxy-formation modellen.

• Schaalafhankelijkheid:

  • Resultaten zijn stabiel voor $k_{max}$ tot $3.0 \, h \, \text{Mpc}^{-1}$.
  • Appendix A toont aan dat het uitbreiden naar hogere $k$ (kleinere schalen) de precisie aanzienlijk kan verbeteren, maar vereist hogere resolutie simulaties om convergentie te garanderen.

5. Betekenis en Conclusie

Dit onderzoek markeert een belangrijke stap voorwaarts in het gebruik van kunstmatige intelligentie voor kosmologie. Het toont aan dat:

1. SBI met Normalizing Flows een krachtig alternatief is voor traditionele likelihood-analyses, omdat het complexe degeneraties en niet-Gaussische eigenschappen direct kan modelleren.
2. Modelonafhankelijkheid essentieel is. Het trainen op meerdere simulatiecodes (multi-domain training) is noodzakelijk om systematische fouten veroorzaakt door verschillen in baryon-fysica te minimaliseren.
3. Toekomstige waarnemingen (zoals van DESI) kunnen met deze methode worden geanalyseerd, mits observatie-effecten (ruis, metalen) correct in het trainingsproces worden opgenomen.

De auteurs concluderen dat deze aanpak een veelbelovende weg biedt om fundamentele fysica te beperken met het Lyman-α-forest, terwijl het de complexiteit van verschillende baryon-fysica modellen effectief aanpakt.