Machine Learning applications to Galaxy Clusters

Technische Samenvatting: Toepassingen van Machine Learning op Galaxieclusters

Probleemstelling
Galaxieclusters, de zwaarste gravitationeel gebonden systemen in het heelal, fungeren als cruciale laboratoria voor het bestuderen van de vorming van grootschalige structuren en als krachtige kosmologische sondes. Hun totale massa is echter geen directe observabele; deze moet worden afgeleid uit multi-golflengte-tracers (Sunyaev–Zel'dovich-effect, röntgenemissie, optische galaxieverdelingen en dynamische data). Traditionele methoden voor massabepaling vertrouwen op vereenvoudigde aannames, zoals hydrostatisch evenwicht (HE), sferische symmetrie en zelfgelijkende schaalrelaties. Deze klassieke benaderingen lijden onder systematische vertekeningen (bijvoorbeeld de "massa-bias" waarbij HE-schattingen de ware massa onderschatten) en aanzienlijke intrinsieke spreiding als gevolg van niet-lineaire processen, projectie-effecten en complexe cluster-morfologieën die niet worden vastgelegd door geïntegreerde grootheden. Bovendien ondervinden kosmologische simulaties die nodig zijn om deze relaties te kalibreren, een afweging tussen volume (statistische representativiteit) en resolutie (fysische betrouwbaarheid), waardoor het moeilijk is om de grote, goed gekarakteriseerde datasets te genereren die nodig zijn voor robuuste kalibratie.

Methodologie
Het hoofdstuk bespreekt de toepassing van Kunstmatige Intelligentie (AI), specifiek Machine Learning (ML) en Deep Learning (DL), om deze beperkingen aan te pakken. De kernmethodologie omvat het trainen van modellen op grote datasets afgeleid van kosmologische hydrodynamische simulaties, meest opvallend het THE THREE HUNDRED-project, dat een statistisch representatieve steekproef van clusters biedt met gedetailleerde baryonische fysica.

Belangrijke methodologische benaderingen omvatten:

• Architecturen: Het gebruik van Convolutional Neural Networks (CNN's), Graph Neural Networks (GNN's), Auto-encoders, Random Forests, Support Distribution Machines (SDM), Normalizing Flows en Score-based Generative Models.
• Invoergegevens: Modellen verwerken ruwe of verwerkte data van diverse tracers, waaronder SZ Compton-$y$-kaarten, röntgenfoton-telbeelden, optische fase-ruimteverdelingen (posities en snelheden van lidgalaxieën) en zwakke lensing-schuifkaarten.
• Trainingsstrategie: Modellen leren de niet-lineaire mapping tussen observabelen en totale massa direct uit simulaties, waarbij de noodzaak voor expliciete parametrische aannames over de thermodynamische toestand of geometrie van de cluster wordt omzeild.
• Kwantificering van Onzekerheid: Het overzicht bespreekt het gebruik van Simulation-Based Inference (SBI) en benaderende Bayesiaanse methoden om onzekerheden te schatten, met de erkenning dat volledige Bayesiaanse behandeling voor diepe netwerken nog steeds computationeel uitdagend blijft.

Belangrijkste Bijdragen en Resultaten
Het artikel synthetiseert recente vooruitgang die aantoont dat AI-technieken systematisch beter presteren dan klassieke methoden bij massainferentie en andere cluster-eigenschappen:

1. Massainferentie uit SZ-emissie:

   • Deep learning-modellen (bijvoorbeeld mResUNet, CNN's) getraind op gesimuleerde SZ-kaarten kunnen clustermassa's afleiden met een onzekerheid van $\sim20\%$, waarbij morfologische kenmerken en projectie-effecten worden vastgelegd die vaak worden genegeerd door standaard schaalrelaties.
   • Hybride benaderingen (Auto-encoder + Random Forest) hebben succesvol volledige 3D-massaprofielen gereconstrueerd met aanzienlijk verminderde spreiding vergeleken met HE-methoden.
   • Op echte Planck-data toegepaste CNN's hebben onafhankelijke kalibraties van de hydrostatische massa-bias opgeleverd, met waarden die consistent zijn met numerieke simulaties ($1-b \sim 0,8–0,9$).

2. Massainferentie uit röntgenemissie:

   • Op röntgenbeelden toegepaste CNN's (bijvoorbeeld van Illustris TNG en MAGNETICUM) hebben de massaspreiding teruggebracht tot $\sim8\%$, vergeleken met $\sim18\%$ voor standaardtechnieken.
   • Graph Neural Networks (GNN's) die radiaal gesamplede ICM-profielen gebruiken, hebben een dispersie van $\sim7\%$ op testsets bereikt en zijn succesvol toegepast op echte datasets zoals REXCESS en X-COP.

3. Massainferentie uit Galaxieën en Dynamica:

   • ML-methoden (SDM, CNN's, Normalizing Flows) toegepast op lijn-van-zicht snelheidsverdelingen en fase-ruimtebeelden hebben de massaspreiding met factoren tot twee verminderd ten opzichte van traditionele $M-\sigma_v$-relaties.
   • Deze methoden vereisen geen aannames over dynamisch evenwicht, waardoor robuustere massaschattingen mogelijk zijn voor niet-gerelaxte systemen.

4. Multi-tracer en Multi-golflengte Benaderingen:

   • Het combineren van SZ-, röntgen- en optische data via supervised learning (bijvoorbeeld Gradient Boosting, U-Net) doorbreekt de degeneraties die inherent zijn aan single-tracer-proxies, waardoor de spreiding in geïntegreerde grootheden met een factor van $\sim2$ wordt verminderd.
   • U-Net-architecturen zijn gebruikt om geprojecteerde 2D-totale massa-kaarten te reconstrueren uit multi-tracer-invoer.

5. Voorbij Massabepaling:

   • Baryonische Emulatie: ML-modellen mappingen van Dark Matter-only simulaties naar realistische baryonische velden (gas, sterren, thermodynamica), wat een computerefficiënt alternatief biedt voor volledige hydrodynamische simulaties.
   • Dynamische Toestanden: CNN's zijn gebruikt om samensmeltende clusters te identificeren en te classificeren op basis van SZ- en röntgenmorfologieën.
   • Intracluster Light (ICL): Deep learning (U-Net, ResNet) maakt detectie en reconstructie van het diffuse ICL-component mogelijk, waarbij deze wordt gekoppeld aan de geschiedenis van clusteropbouw.

Betekenis en Beperkingen
Het artikel stelt dat ML en DL een natuurlijke uitbreiding vormen van klassieke methoden, en bieden een flexibel, datagedreven raamwerk dat complexe, niet-lineaire afhankelijkheden en hoogdimensionale informatie (morfologie, substructuur) vastlegt. Dit is cruciaal voor surveys van de volgende generatie (bijvoorbeeld eROSITA, Euclid, LSST), waarbij precisiekosmologie een strenge controle vereist van systematische onzekerheden in massakalibratie.

De auteurs benadrukken echter aanzienlijke beperkingen:

• Kloof tussen Simulatie en Realiteit: ML-modellen zijn slechts zo betrouwbaar als de fysische modellering in hun trainingsimulaties. Onnauwkeurigheden in feedbackvoorschriften of subgrid-fysica in simulaties kunnen leiden tot vertekende voorspellingen in echte waarnemingen.
• Interpreteerbaarheid: Hoewel saliciteitskaarten suggereren dat massainferentie wordt gedreven door kenmerken in de buitenranden van clusters (minder beïnvloed door complexe baryonische fysica) in plaats van kernen, blijft de "black box"-karakteristiek van deep learning een uitdaging.
• Kwantificering van Onzekerheid: Robuuste, goed gekalibreerde onzekerheidsschattingen zijn nog steeds een open probleem, waarbij huidige methoden vertrouwen op benaderingen.
• Standaardisatie: Het vakgebied mist gestandaardiseerde benchmarkdatasets en metrieken, wat eerlijke vergelijkingen tussen verschillende modellen moeilijk maakt.

Concluderend betoogt het artikel dat hoewel AI een veelbelovende weg biedt naar verbeterde massakalibratie en nieuwe fysische diagnostiek, de succesvolle toepassing ervan op precisiekosmologie zorgvuldige validatie tegen waarnemingsdata vereist, de ontwikkeling van domeinadaptatietechnieken en de generatie van diverse trainingsdatasets die onzekerheden in baryonische fysica marginaliseren.