Predicting galaxy bias using machine learning

Resumo Técnico: Predizendo o Viés de Galáxia Usando Aprendizado de Máquina

Definição do Problema
Compreender como as galáxias rastreiam o campo de densidade de matéria subjacente é fundamental para a cosmologia observacional e para os modelos de formação de galáxias. Essa conexão é quantificada pelo viés de galáxia ($b$). Embora as abordagens analíticas tradicionais frequentemente dependam de medições de viés médias de população (por exemplo, via espectros de potência ou funções de correlação), esses métodos têm dificuldade em desvendar dependências específicas de propriedades internas de halos e fatores ambientais devido às limitações de relação sinal-ruído e à estocasticidade inerente à conexão matéria-halo-galáxia. A literatura recente enfatiza a necessidade de frameworks probabilísticos para capturar a variância intrínseca nessa relação. Este trabalho aborda o desafio de predizer o viés linear individual ($b_i$) de galáxias com base nas propriedades de seus halos hospedeiros, ambiente local e localização na teia cósmica, enquanto modela explicitamente a natureza estocástica do parâmetro de viés.

Metodologia
O estudo utiliza dados da simulação magnetohidrodinâmica IllustrisTNG300. O conjunto de dados compreende 174.607 galáxias centrais selecionadas com massas de halo $M_{vir} > 10^{10.5} h^{-1}M_\odot$ e massas estelares $M_* > 10^{8.75} h^{-1}M_\odot$.

• Variável Alvo: O viés linear de grande escala individual ($b_i$) para cada galáxia é computado usando o formalismo de estimador objeto por objeto introduzido por Paranjape et al. (2018) e refinado por Balaguera-Antolínez et al. (2024). Este método atribui um valor de viés específico a cada galáxia com base na razão entre os espectros de potência galáxia-matéria e matéria-matéria no limite de grande escala ($k \leq 0.2 \, h \, \text{Mpc}^{-1}$).
• Características de Entrada (Features): Os modelos são treinados em um conjunto de características que incluem:
  • Propriedades Internas do Halo: Massa viral ($M_{vir}$), redshift de formação ($z_{1/2}$), concentração ($c_{vir}$) e spin ($\lambda_{halo}$).
  • Propriedades da Galáxia: Massa estelar ($M_*$) e cor ($g-i$).
  • Ambiente Local: Sobredensidades ($\delta_3, \delta_5, \delta_8$) calculadas em escalas de 3, 5 e $8 \, h^{-1}\text{Mpc}$.
  • Localização na Teia Cósmica: Distâncias a pontos críticos (vazios, nós, pontos de sela e filamentos), identificados via algoritmo DisPerSE.
• Framework de Aprendizado de Máquina: Três modelos distintos são avaliados em um conjunto de dados dividido (58% treinamento, 30% teste, 12% validação):
  1. Regressor Random Forest (RF): Um método de ensemble determinístico.
  2. Rede Neural (NN): Um modelo de aprendizado profundo de saída única e determinístico.
  3. Normalizing Flows (NF): Um modelo generativo probabilístico (especificamente Neural Spline Flows) projetado para aprender a distribuição de probabilidade condicional $p(b_i | \{x\}_i)$, onde $\{x\}_i$ representa as características de entrada.
• Métricas de Avaliação: O desempenho é avaliado usando o Coeficiente de Correlação de Pearson (PCC), o teste de Kolmogorov–Smirnov (K–S) e a Distância de Wasserstein (WD). Para o modelo probabilístico NF, as métricas são computadas tanto para uma única realização aleatória quanto para a média de 1.000 realizações.

Principais Contribuições

1. Integração do Viés Objeto por Objeto: O trabalho incorpora com sucesso o formalismo de viés individual em um pipeline de aprendizado de máquina, tratando $b_i$ como uma propriedade específica de cada galáxia, em vez de uma média populacional.
2. Modelagem Probabilística do Viés: O estudo demonstra que modelos determinísticos (RF e NN) falham em reproduzir a largura total e as caudas da distribuição de viés, enquanto os Normalizing Flows podem capturar com precisão a estocasticidade intrínseca e as distribuições conjuntas de viés com outras propriedades das galáxias.
3. Análise de Importância de Características: Através da importância de característica por permutação (PFI) e análise de correlação, o trabalho quantifica a influência relativa das propriedades ambientais versus propriedades internas no viés da galáxia.

Resultos

• Dependências de Características: A análise de correlação revela que as sobredensidades locais, particularmente $\delta_8$, são as características mais fortemente correlacionadas com o viés da galáxia. Segue-se a elas as distâncias às estruturas da teia cósmica e, em menor grau, as propriedades internas do halo. Entre as propriedades internas, o redshift de formação ($z_{1/2}$) mostra a correlação mais forte, superando a massa do halo na amostra completa.
• Desempenho do Modelo:
  • Modelos Determinísticos: RF e NN alcançam altos valores de PCC (0.811 e 0.797, respectivamente), mas exibem estatísticas de teste K-S e distâncias de Wasserstein elevadas, indicando que predizem com precisão a tendência média, mas falham em reproduzir a dispersão e as caudas da distribuição.
  • Modelo Probabilístico (NF): Ao predizer uma única realização aleatória, o modelo NF atinge uma estatística K-S de 0.010 e uma WD de 0.046, superando significativamente os modelos determinísticos na reprodução da forma da distribuição real. Embora o PCC para uma única realização seja menor (0.652) devido à dispersão intrínseca, o modelo captura corretamente o comportamento global sem viés sistemático. A previsão média do NF performa comparavelmente ao RF em termos de PCC (0.807), mas mantém a capacidade de modelar a largura da distribuição.
• Distribuições Conjuntas: O modelo NF reproduz com sucesso a dispersão em distribuições conjuntas, como viés versus massa estelar e viés versus cor, com estatísticas K-S 2D de 0.017 e 0.029, respectivamente.
• Distribuições Condicionais: O estudo mostra que a capacidade do modelo NF de restringir distribuições de probabilidade individuais depende fortemente das características de entrada. Condicionar em características de baixa informação (ex: spin do halo) resulta em distribuições amplas similares à priori global, enquanto condicionar em características de alta informação (ex: $\delta_8$) produz distribuições objetivas e restritas.

Significância
O artigo afirma que seu framework fornece uma base para esforços futuros de medição do viés de galáxia individual usando futuros levantamentos espectroscópicos, como o Dark Energy Spectroscopic Instrument (DESI). Ao demonstrar que métodos probabilísticos como Normalizing Flows são necessários para capturar a variância intrínseca do viés da galáxia, o trabalho oferece uma ferramenta mais robusta para a inferência cosmológica. Os resultados sugerem que, embora modelos determinísticos sejam suficientes para predizer tendências médias, eles são inadequados para caracterizar a natureza estocástica completa da conexão galáxia-halo, o que é crítico para a cosmologia de precisão. O estudo também destaca que as propriedades ambientais, especificamente as sobredensidades de grande escala, dominam a predição do viés da galáxia sobre as propriedades internas do halo.