Comparing explicit likelihood and likelihood-free simulation-based inference for weak lensing cosmic shear

Technische Samenvatting: Vergelijking van Expliciete Likelihood en Likelihood-vrije Simulatie-gebaseerde Inferentie voor Zwakke Lenswerking Kosmische Shear

Probleemstelling
Stage-IV zwakke lenswerking (WL) surveys, zoals Euclid en LSST, streven naar het extraheren van precieze kosmologische parameters (specifiek $\Omega_m$ en $S_8$) uit niet-Gaussiaanse observabelen. Hoewel huidige analyses voornamelijk vertrouwen op twee-punts statistieken (shear-2PCFs) gecombineerd met Gaussische likelihood-benaderingen, comprimeert deze aanpak het lensveld en slaagt het er niet volledig in om informatie uit de niet-lineaire materie-evolutie te vangen. Terwijl samenvattende statistieken informatiever en niet-lineair worden, wordt de Gaussische likelihood-aanname steeds minder te rechtvaardigen, wat potentieel kan leiden tot vertekende beperkingen. Daartegenover biedt likelihood-vrije inferentie (LFI) een manier om de likelihood direct te leren van simulaties met behulp van neurale dichtheidsestimators (NDEs), waardoor expliciete likelihood-modellering wordt omzeild. Echter, een systematische vergelijking tussen Explicit Likelihood Inference (ELI) en LFI op identieke simulatiesets, met overeenkomstige observabelen en compressiestrategieën, is slechts marginaal verkend. Dit werk adresseert de kloof in het begrip of discrepanties tussen frameworks voortkomen uit statistische aannames, numerieke implementatie of de informatie-inhoud van de samenvattende statistieken.

Methodologie
De auteurs maken gebruik van een gemeenschappelijke suite van Euclid-achtige simulaties gegenereerd via het GLASS-framework, die volledige hemel Gaussische shear-kaarten produceren met geïnjecteerde vormruis representatief voor de uiteindelijke Euclid Data Release 3 (DR3). De analyse richt zich op een niet-tomografische configuratie met een enkele roodverschuivings-bin die zich uitstrekt tot $z_{max}=3$.

1. Data Generatie & Compressie:

   • Simulaties: Latin Hypercube Sampling (LHS) wordt gebruikt om $\Omega_m$ en $\sigma_8$ te variëren. Twee onafhankelijke sets van 5.100 kosmologische knopen worden gegenereerd: één voor deep learning training (LHS0) en één voor emulator training en LFI-analyse (LHS1).
   • Samenvattende Statistieken: Twee probes worden gemeten op flat-sky patches:
     • Shear twee-punts correlatiefuncties ($\xi_\pm$), een Gaussische probe.
     • Een map-level Convolutional Neural Network (CNN) statistiek gebruikmakend van een ResNet-18 architectuur, een niet-lineaire probe.
   • Compressie: Hoog-dimensionale datavectoren (DVs) worden gecomprimeerd naar de parameterruimte dimensie ($n_p=2$) met behulp van twee methoden:
     • MOPED: Een lineaire, Fisher-optimale compressie met behulp van numerieke afgeleiden en de covariantie-matrix.
     • Neuraal Netwerk (NN) Compressie: Een niet-lineaire Multilayer Perceptron (MLP) getraind om DVs naar parameters te mappen.

2. Inferentie Frameworks:

   • Explicit Likelihood Inference (ELI): Maakt gebruik van Gaussian Process (GP) emulators om het gemiddelde signaal van de gecomprimeerde statistieken te voorspellen. De likelihood wordt aangenomen als multivariate Gaussisch, geconstrueerd met de GP-voorspelling en een geschatte covariantie-matrix. Posterior sampling wordt uitgevoerd via MCMC.
   • Likelihood-Free Inference (LFI): Gebruikt Neurale Dichtheidsestimators (NDEs) om de likelihood of de posterior direct te leren van de simulatieparen. De studie vergelijkt Neural Likelihood Estimation (NLE) en Neural Posterior Estimation (NPE) met architecturen zoals Neural Spline Flows (NSF), Masked Autoregressive Flows (MAF) en Mixture Density Networks (MDN).

3. Validatie:

   • De studie maakt gebruik van posterior kalibratie diagnostiek, specifiek de Test of Accuracy with Random Points (TARP), om de betrouwbaarheid van de geïnferreerde posteriors te beoordelen.
   • De Gaussiaanse aard van de gecomprimeerde samenvattingen wordt getest met Kolmogorov–Smirnov (KS) tests en globale $\chi^2$ goedheid-van-passing tests.

Belangrijkste Resultaten

• Kalibratie Discrepanties: ELI raakt sterk misgekalibreerd in de aanwezigheid van emulatie-onnauwkeurigheden of wanneer de likelihood niet-Gaussisch is. In tegenstelling hiertoe blijft LFI consistent goed gekalibreerd in alle geteste scenario's.
• Impact van Compressie: De keuze van het compressieschema heeft een significante invloed op de ELI-prestaties. Terwijl MOPED-gecomprimeerde shear-2PCFs dicht bij Gaussisch zijn, vertonen NN-gecomprimeerde samenvattingen sterke niet-Gaussische eigenschappen. Bij gevolg is de ELI-beperking op $\Omega_m$ en $S_8$ tot een factor twee verschillend van de beperkingen die met de CNN-statistiek zijn afgeleid, door het falen van de Gaussische likelihood-aanname in ELI.
• LFI Robuustheid: Wanneer de problemen van emulatie-fouten en likelihood niet-Gaussiaanse aard worden geadresseerd, verdwijnt de discrepantie tussen ELI en LFI grotendeels. Voor LFI wordt de discrepantie tussen de beperkingen afgeleid van de shear-2PCFs en de CNN-statistiek gereduceerd tot ongeveer 30%, wat de robuustheid van de deep-learning probe benadrukt.
• Gaussiaanse Tests: De studie onthult dat hoewel globale $\chi^2$-tests voor bepaalde gecomprimeerde samenvattingen kunnen slagen, per-bin marginale KS-tests significante niet-Gaussiaanse eigenschappen kunnen onthullen (bijv. in NN-gecomprimeerde shear-2PCFs), wat voldoende is om de in ELI gebruikte Gaussische likelihood-aanname ongeldig te verklaren.

Betekenis en Claims
De auteurs concluderen dat in hun specifieke opzet—waarin systematische biases worden genegeerd—LFI een robuuster en beter gekalibreerd framework biedt voor het extraheren van kosmologische informatie uit zwakke lenswerking surveys vergeleken met traditionele ELI. Het artikel benadrukt dat nauwkeurige niet-Gaussische likelihood modellering en rigoureuze posterior kalibratie diagnostiek essentieel zijn voor toekomstige ELI-analyses. De resultaten onderstrepen het potentieel van deep-learning probes (zoals CNN's) in combinatie met likelihood-vrije methoden om complexe informatie voorbij het twee-punten niveau te vangen zonder te vertrouwen op potentieel gebrekkige Gaussische benaderingen. De studie dient als een validatiekader en biedt begeleiding voor de toepassing van ELI en LFI in toekomstige Stage-IV WL surveys.