Standard Reconstruction Shifts the Optimal Input Scale for CNN-Based Density-Field Reconstruction

Technische Samenvatting: Standaard Reconstructie Verschuift de Optimale Ingangsschaal voor CNN-gebaseerde Dichtheidsveld-reconstructie

Probleemstelling
Het reconstrueren van het initiële dichtheidsveld bij een hoge roodverschuiving vanuit de structuren op grote schaal (LSS) in het late universum is essentieel voor het verbeteren van beperkingen op de fysica van het vroege universum, zoals primordiale niet-Gaussianiteit, en voor het aanscherpen van baryonische akoestische oscillatie (BAO) metingen. Hoewel perturbatieve methoden zoals de Zel'dovich-benadering (standaard reconstructie) effectief grootschalige bulkstromen kunnen omkeren, hebben zij moeite met niet-lineaire evolutie en shell-crossing. Daartegenover staat dat Convolutionele Neurale Netwerken (CNN's) veelbelovend zijn gebleken in het leren van niet-lineaire mapping, maar zij kampen met een fundamentele spanning: gravitationele evolutie is niet-lokaal, terwijl CNN's een beperkt receptief veld hebben. Vorig werk (bijv. Shallue & Eisenstein 2023; Nakashima et al. 2025) suggereerde dat hybride benaderingen — het combineren van standaard reconstructie met CNN's — dit probleem zou kunnen verzachten, maar de specifieke afhankelijkheid van de prestaties van de CNN van de fysieke ingangsschaal na standaard reconstructie bleef ongekwantificeerd.

Methodologie
De auteurs maken gebruik van dark-matter-only $N$-body simulaties (Indra suite, $L_{box} = 1 \, h^{-1}$ Gpc, WMAP7 kosmologie) om het dark matter dichtheidsveld bij $z=10$ te reconstrueren vanuit het geëvolueerde veld bij $z=0$. Zij vergelijken drie verschillende reconstructiestrategieën:

1. Alleen CNN: Een single-input CNN die direct wordt toegepast op het $z=0$ dichtheidsveld.
2. Dual-input CNN: Een netwerk dat twee fysieke schalen combineert (klein en groot) zonder voorafgaande standaard reconstructie.
3. Stdrec.+CNN: Een hybride benadering waarbij standaard eerste-orde reconstructie (gebruikmakend van het Lagrangian Growth-Shift schema in nbykit) wordt toegepast op het $z=0$ veld, waarna het resulterende gereconstrueerde veld in een single-input CNN wordt gevoed.

Een cruciale experimentele variabele is de fysieke zijde van de CNN-ingangssubbox ($L_{sub}$), die wordt gevarieerd over het bereik van $38 \text{--} 380 \, h^{-1}$ Mpc, terwijl de numerieke resolutie vast wordt gehouden op $39^3$ voxels. Deze opzet isoleert de afweging tussen ruimtelijke context (fysiek volume) en ruimtelijke resolutie (celgrootte). De netwerkarchitectuur volgt Mao et al. (2021) en voorspelt de centrale voxel-dichtheid bij $z=10$ op basis van de ingangssubbox.

Belangrijkste Resultaten
De studie onthult een systematische verschuiving in de optimale ingangsschaal voor de CNN, afhankelijk van de vraag of standaard reconstructie wordt toegepast:

• Verschuiving in Optimale Schaal: Voor de "Alleen CNN" benadering piekt de reconstructienauwkeurigheid (gemeten via genormaliseerde loss, KL-divergentie en Fourier-correlatie) bij grote ingangsschalen van $L_{sub} \sim 150\text{--}200 \, h^{-1}$ Mpc. Echter, voor de "stdrec.+CNN" benadering verschuift de optimale schaal significant naar kleinere volumes, $L_{sub} \sim 38\text{--}114 \, h^{-1}$ Mpc.
• Prestatie-superieuriteit: Het "stdrec.+CNN" model presteert consequent beter dan zowel de single-input als de dual-input CNN's die zonder standaard reconstructie worden toegepast. Specifiek, bij $L_{sub} \sim 76 \, h^{-1}$ Mpc, bereikt het hybride model een validatie-loss die ongeveer 80% lager is dan de "Alleen CNN" methode en 50% lager dan de dual-input methode.
• Redundantie van Dual-Input na Reconstructie: Het toepassen van de dual-input architectuur na standaard reconstructie levert geen meetbare verbetering op ten opzichte van het single-input hybride model. Dit suggereert dat zodra de standaard reconstructie de dominante grootschalige verplaatsingen heeft gecorrigeerd, de extra grootschalige ingangstak van de dual-input CNN redundant wordt.
• Statistische Metrieken: Het hybride model produceert de strakste cel-voor-cel correlatie, de meest homogene residu-velden (wat wijst op de verwijdering van coherente grootschalige fouten) en de dichtstbijzijnde match met de doelstelling één-punt dichtheids-waarschijnlijkheidsverdeling (PDF).

Betekenis en Claims
Het artikel betoogt dat deze bevindingen een fysiek gemotiveerde scheiding van schalen ondersteunen tussen analytische en data-gedreven reconstructiemethoden:

1. Taakverdeling: Standaard reconstructie (gebaseerd op de Zel'dovich-benadering) is efficiënter in het herstellen van coherente grootschalige verplaatsingen gedreven door langgolvige modi ($k \sim 0.01 \, h$ Mpc$^{-1}$). Zodra deze bulkstromen zijn omgekeerd, is de CNN beter geschikt voor het modelleren van de resterende quasi-lineaire en niet-lineaire evolutie op kleinere schalen.
2. Validatie van Hybride Strategieën: De resultaten bieden een onafhankelijke verklaring voor het succes van hybride frameworks (bijv. Shallue & Eisenstein 2023). De effectieve receptieve schaal van $\sim 60 \, h^{-1}$ Mpc die in eerdere hybride studies werd gebruikt, valt precies binnen de nieuw geïdentificeerde optimale range ($38\text{--}114 \, h^{-1}$ Mpc) voor post-reconstructie CNN-ingangen.
3. Efficiëntie: De studie demonstreert dat het combineren van analytische reconstructie met machine learning toestaat dat elke methode de schalen aanpakt waarvoor zij het best geschikt is, in plaats van enkel te vertrouwen op het vergroten van de CNN-receptieve velden of netwerkcomplexiteit.

De auteurs merken op dat deze resultaten betrekking hebben op geïdealiseerde real-space dark matter velden en dat toekomstig werk de redressie van redshift-space distorties, tracer-bias en observationele effecten moet adresseren voordat toepassing in galaxy surveys mogelijk is.