Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference

Technische Samenvatting: Field-level Zwakke Gravitatie-lenzen Kosmologie met < 100 Simulaties middels Multifidelity Simulation-Based Inference

Probleemstelling
Field-level inferentie bij zwakke gravitatie-lenzen (weak lensing) biedt het potentieel om aanzienlijk meer kosmologische informatie te extraheren uit kosmische afschuivingsdata (cosmic shear) dan traditionele twee-punts samenvattende statistieken (bijv. vermogensspectra). Het realiseren van dit potentieel vereist echter fysieke realiteitszin op field-niveau, wat hoogwaardige $N$-body simulaties noodzakelijk maakt. Er bestaat een belangrijke flessenhals voor Simulation-Based Inference (SBI): nauwkeurige empirische dichtheidsmodellering en op deep learning gebaseerde neurale compressie vereisen doorgaans duizenden trainingssimulaties, terwijl hoogwaardige $N$-body simulaties computationeel te kostbaar zijn om in zulke hoeveelheden te genereren. Omgekeerd missen goedkopere, laag-fidelity simulaties (bijv. log-normale velden) de vereiste fysieke realiteitszin voor precieze field-level inferentie. De uitdaging is om nauwkeurige en goed gekalibreerde kosmologische posteriors te bereiken met een minimaal aantal dure hoog-fidelity simulaties.

Methodologie
De auteurs stellen een multifidelity SBI-framework voor dat transfer learning gebruikt om de kloof tussen laag-fidelity en hoog-fidelity simulaties te overbruggen. De aanpak bestaat uit drie hoofdonderdelen:

1. Simulatie Pipeline:

   • Laag-Fidelity: De auteurs genereren $\sim$100.000 mock zwakke gravitatie-lens observaties met behulp van GLASS (Generator for LArge Scale Structure), die log-normale willekeurige velden van de donkere materie-overdensiteit produceert. Deze worden verwerkt om de kenmerken van de KiDS-Legacy survey na te bootsen, inclusief fotometrische roodverschuivingsonzekerheden, intrinsieke alignementen (NLA-M model) en vormruis (shape noise).
   • Hoog-Fidelity: Een kleinere set mock observaties wordt gegenereerd met behulp van de Gower Street $N$-body simulatie-suite (gravity-only, full-sky). Deze bieden fysiek realistische materie-schillen die door dezelfde forward modeling pipeline zijn verwerkt.
   • Data Augmentatie: Om het nut van de beperkte hoog-fidelity simulaties te maximaliseren, passen de auteurs uitgebreide augmentatie toe, waarbij 80 pseudo-onafhankelijke KiDS-Legacy-achtige footprints per kosmologische simulatiebox worden gegenereerd door de onderliggende materievelden te roteren en nuisance-parameters te variëren.

2. Neurale Architectuur en Training:

   • Hybride Leercompressie: Een neurale compressie-netwerk is ontworpen om twee-punts statistieken (pseudo-$C_\ell$ bandpowers) en field-level data (convergentiekaarten $\kappa$) gezamenlijk te verwerken.
     • Fase I: Een feedforward netwerk comprimeert de bandpower data.
     • Fase II: Een Convolutional Neural Network (CNN) verwerkt de convergentiekaarten. De outputs van Fase I worden bevroren en geconcateneerd met de CNN-outputs om de uiteindelijke samenvattende statistiek te vormen. Dit zorgt ervoor dat het netwerk informatie voorbij de twee-punts statistieken leert zonder de informatie die al door de twee-punts statistieken is gevangen te verliezen.
   • Multifidelity Transfer Learning:
     • Pre-training: Het compressie-netwerk en de Neural Density Estimator (NDE) head worden vooraf getraind op de grote laag-fidelity (GLASS) dataset met behulp van Variational Mutual Information Maximization (VMIM).
     • Fine-tuning: De vooraf getrainde modellen worden gefinetuned op de kleine hoog-fidelity ($N$-body) dataset. De auteurs verkennen twee strategieën: (i) het finetunen van alleen de NDE head terwijl de compressor bevroren blijft, en (ii) het finetunen van alle gewichten ("finetune all").
   • Inferentie Methoden: Het framework ondersteunt zowel Neural Posterior Estimation (NPE), die de posterior direct leert, als Neural Likelihood Estimation (NLE), die een surrogaat-likelihood leert om flexibele priors mogelijk te maken (bijv. KiDS-Legacy specifieke priors).
   • Ensembling: Om kalibratiefouten in data-arme regimes te mitigeren, gebruiken de auteurs model ensembling, waarbij meerdere instanties van de gefinetunede modellen worden getraind met verschillende data-splits en hun voorspellingen worden gemiddeld.

Belangrijkste Bijdragen

• Multifidelity NLE: Dit werk presenteert de eerste demonstratie van multifidelity Neural Likelihood Estimation voor kosmologische field-level inferentie, waarbij de hoog-fidelity simulatie prior wordt ontkoppeld van de analyse.
• Simulatie-efficiëntie: De auteurs laten zien dat accurate field-level inferentie kan worden bereikt met slechts 60–100 hoog-fidelity $N$-body simulaties, wat een reductie van een orde van grootte betekent in computationele kosten vergeleken met standaard single-fidelity SBI-benaderingen.
• Hybride Leer-schema: De introductie van een hybride leerbenadering waarbij de twee-punts compressie bevroren wordt tijdens de field-level training, blijkt cruciaal voor efficiënte convergentie en optimale informatie-extractie.
• Ensemble Kalibratie: De studie stelt vast dat model ensembling een noodzakelijk onderdeel is voor het bereiken van goed gekalibreerde posteriors wanneer het aantal hoog-fidelity trainingssimulaties zeer laag is ($N < 100$).

Resultaten

• Informatie-extractie: Transfer learning modellen bereiken een hoge wederzijdse informatie (MI) en beperkende kracht (Figure of Merit, FoM) zelfs met $N \le 100$ simulaties. Specifiek: een gefinetuned ensemble met slechts $N=10$ simulaties extraheert meer informatie dan een model dat vanaf nul is getraind met $N=530$ simulaties (hoewel de eerste nog niet goed gekalibreerd is).
• Kalibratie: Terwijl single-model transfer learning een lichte overmoed vertoont bij lage $N$, slaagt model ensembling erin de kalibratiefout te verminderen, wat resulteert in acceptabele coverage met $N=60$ simulaties.
• Beperkende Kracht:
  • De multifidelity benadering levert restricties op $\Omega_m$ en $\sigma_8$ die $\sim$3,5 keer nauwer zijn dan twee-punts-alleen analyses en $\sim$15% nauwer dan hoog-fidelity-alleen field-level analyses met de volledige dataset ($N=530$).
  • Cruciaal is dat de multifidelity benadering betekenisvolle restricties mogelijk maakt op de donkere energie toestandsvergelijking parameter $w$, een parameter die het hoog-fidelity-alleen model zelfs met de volledige dataset niet kan beperken. De auteurs schrijven dit toe aan de analytische $w$-afhankelijkheid die in de laag-fidelity log-normale simulaties is gecodeerd (via HMcode-2020), welke behouden blijft en wordt aangepast tijdens de fine-tuning.
• NLE Prestaties: Multifidelity NLE modellen produceren accurate posteriors die vergelijkbaar zijn met NPE, maar vertonen een lichte overmoed. Dit wordt echter beschouwd als een klein effect (vergelijkbaar met onzekerheden in traditionele Gaussische likelihood benaderingen) en kan worden gemitigeerd door ensembling.

Significantie en Claims
Het artikel claimt dat multifidelity SBI een praktische en simulatie-efficiënte route biedt voor field-level kosmologische analyse onder realistische computationele beperkingen. Door gebruik te maken van transfer learning demonstreren de auteurs dat:

1. Zeer informatieve, beyond-two-point compressieschema's kunnen worden geleerd van goedkope simulaties en kunnen worden aangepast aan hoog-fidelity data met slechts $O(10)$ grote-volume $N$-body simulaties.
2. Accurate, goed gekalibreerde inferentie (vergelijkbaar met de strakste huidige zwakke gravitatie-lenzen restricties) kan worden bereikt met 60–100 hoog-fidelity simulaties.
3. Laag-fidelity pre-training kan de analytische capaciteiten kwalitatief verschuiven, waardoor restricties op parameters zoals $w$ mogelijk worden die ontoegankelijk zijn voor single-fidelity methoden met hetzelfde simulatiebudget.

De auteurs benadrukken dat deze resultaten een proof-of-concept zijn met mock data. Ze merken op dat het toepassen hiervan op echte data verdere validatie vereist met betrekking tot ongemodelleerde fysica (bijv. baryonische feedback) en systematische effecten, maar dat het framework een flexibel pad biedt om steeds realistischere fysica te integreren in de volgende generatie kosmologische inferentie.