Benchmarking Exact, GP-Emulated, and Simulation-Based Inference for Late-Time Cosmology

Technische Samenvatting: Benchmarking van Exacte, GP-geëmuleerde en Simulatie-gebaseerde Inferentie voor Late-tijd Kosmologie

Probleemstelling
Moderne kosmologische surveys genereren datasets van toenemende omvang en precisie, wat een computationele flessenhals creëert voor Bayesiaanse parameterextractie. Hoewel exacte Markov Chain Monte Carlo (MCMC) de statistische gouden standaard blijft, schaalt de computationele kosten van MCMC slecht met de dimensionaliteit van datasets en de complexiteit van likelihood-functies. Dit werk adresseert de noodzaak voor inferentie-pipelines die zowel statistisch betrouwbaar als computationeel schaalbaar zijn. Specifiek onderzoeken de auteurs de afweging tussen computationele efficiëntie en statistische getrouwheid bij het vervangen van exacte likelihood-evaluaties door surrogaatmodellen of simulatie-gebaseerde benaderingen in de context van de late-tijd $\Lambda$CDM-kosmologie.

Methodologie
De studie voert een systematische, gecontroleerde vergelijking uit van drie verschillende inferentiestrategieën met behulp van identieke kosmologische modellen, priors en observationele datasets. De analyse richt zich op een ruimtelijk vlak $\Lambda$CDM-model dat wordt beperkt door de Hubble-constante ($H_0$) en de huidige materiedichtheidsparameter ($\Omega_{m,0}$).

1. Datasets: De analyse maakt gebruik van twee combinaties van late-tijd probes:
   • CC+DESI: Cosmic Chronometers (CC) en anisotrope Baryon Acoustic Oscillation (BAO) metingen van DESI DR2.
   • CC+DESI+PP: De bovenstaande combinatie, gecombineerd met de Pantheon+ Type Ia supernova compilatie (PP), wat een hogere-dimensie likelihood creëert met grotere beperkende kracht.
2. Inferentiestrategieën:
   • Exacte MCMC: Dient als de benchmark en bemonster de volledige likelihood direct met de emcee ensemble sampler.
   • GP-geëmuleerde MCMC: Maakt gebruik van een Gaussian Process (GP) emulator die getraind is op een Latin Hypercube Sampling (LHS) van de parameterruimte. Om de efficiëntie te verhogen, comprimeert Principal Component Analysis (PCA) hoog-dimensionale observeerbare vectoren voordat onafhankelijke GP-modellen worden getraind. De emulator vervangt dure forward model-evaluaties tijdens het MCMC-bemonsteringsproces.
   • Simulatie-gebaseerde Inferentie (SBI): Gebruikt Sequential Neural Posterior Estimation (SNPE) via het sbi framework. Deze likelihood-vrije benadering traint een neurale dichtheidsestimator op synthetische parameter-observatie paren gegenereerd door het $\Lambda$CDM forward model. Eenmaal getraind, kan de posterior direct worden bemonsterd voor elke nieuwe data-vector.

Belangrijkste Bijdragen en Resultaten
Het artikel kwantificeert de statistische overeenkomst en de computationele kosten van deze methoden over de twee dataset-combinaties:

• Statistische Getrouwheid:
  • Voor de CC+DESI combinatie reproduceren zowel de GP-emulatie als SBI de exacte posterior-beperkingen op $H_0$ en $\Omega_{m,0}$ met een nauwkeurigheid van beter dan $0,3\sigma$. De posterior-distributies zijn visueel ononderscheidbaar van de exacte MCMC-resultaten.
  • Voor de meer beperkende CC+DESI+PP combinatie treden er bescheiden methode-afhankelijke verschuivingen op. De GP-emulator vertoont een verschuiving van $\sim 1,53\sigma$ in $\Omega_{m,0}$, en SBI vertoont een verschuiving van $\sim 1,44\sigma$ in $H_0$ ten opzichte van de exacte MCMC. Ondanks deze parameterspecifieke spanningen, herstellen alle methoden een bijna identieke expansiegeschiedenis $H(z)$, waarbij de afwijkingen op het niveau van procenten blijven (maximaal $\sim 1,3\%$ voor GP en $\sim 0,6\%$ voor SBI) over het volledige rode-verschuivingsbereik $z \in [0, 2,5]$.
• Computationele Efficiëntie:
  • Exacte MCMC: Schaalt lineair met het aantal likelihood-evaluaties. Voor CC+DESI+PP zijn ongeveer 3 uur aan wandkloktijd vereist.
  • GP-emulatie: Versnelt individuele model-evaluaties, maar blijft gebonden aan het MCMC-bemonsteringsproces. Het vermindert de runtime voor CC+DESI+PP tot $\sim 2,5$ uur, maar brengt overhead met zich mee voor training en PCA.
  • SBI: Bereikt ordes van grootte reducties in de totale runtime. Voor CC+DESI+PP voltooit SBI de taak in $\sim 10$ minuten. De computationele kosten zijn geamortiseerd: het grootste deel van de tijd wordt besteed aan de generatie van simulaties en de training van het neurale netwerk, terwijl de posterior-inferentie verwaarloosbaar is.
• Convergentie: De studie identificeert het benodigde simulatiebudget voor stabiele SBI-resultaten. Voor CC+DESI zijn $\sim 30.000$ simulaties voldoende om de exacte MCMC binnen $0,3\sigma$ te matchen. Voor de complexere CC+DESI+PP zijn budgetten van $50.000$ tot $100.000$ simulaties vereist om de biases te controleren tot $\lesssim 1\sigma$.

Significantie en Claims
De auteurs beweren dat versnelde inferentietechnieken volwassen zijn geworden tot het punt waarop ze praktische alternatieven kunnen vormen voor conventionele likelihood-sampling voor late-tijd kosmologische toepassingen. De studie demonstreert dat:

1. Betrouwbaarheid: Zowel GP-emulatie als SBI kunnen betrouwbare kosmologische beperkingen leveren voor realistische datasets, waarbij de onderliggende kosmologische evolutie behouden blijft, zelfs wanneer parameter-niveau posteriors kleine afwijkingen vertonen.
2. Schaalbaarheid: SBI biedt een kwalitatief ander paradigma waarbij de computationele kosten worden verschoven naar een voorafgaande trainingsfase, wat het bijzonder aantrekkelijk maakt voor hoog-dimensionale data, herhaalde analyses en survey-optimalisatie.
3. Praktische Bruikbaarheid: Hoewel exacte MCMC de noodzakelijke benchmark blijft voor statistische strengheid, betogen het artikel dat versnelde methoden levensvatbare paden bieden voor schaalbare inferentie in het tijdperk van precisie-kosmologie, mits het simulatiebudget voldoende is om convergentie te waarborgen.

Het werk concludeert dat het vaststellen van de domeinen van betrouwbaarheid en het begrijpen van de beperkingen van deze methoden naarmate datasets complexer worden, een cruciale stap is voor toekomstige kosmologische analyses betrokken bij volgende generatie surveys zoals DESI, Euclid en Rubin LSST.