HaloFlow II: Robust Galaxy Halo Mass Inference with Domain Adaptation

Resumo Técnico: HaloFlow II – Inferência Robusta de Massa de Halos com Adaptação de Domínio

1. O Problema

A medição precisa da massa de halos de matéria escura ($M_h$) que hospedam galáxias é fundamental para a cosmologia e o estudo da formação de galáxias. Métodos tradicionais, como lentes gravitacionais, são caros observacionalmente e muitas vezes limitados a halos de baixa massa ou medições agrupadas. Abordagens baseadas em aprendizado de máquina (ML), especificamente a Inferência Baseada em Simulação (SBI), oferecem uma alternativa promissora ao aprender o mapeamento direto entre observáveis de galáxias e propriedades do halo.

O trabalho anterior, HaloFlow, demonstrou sucesso na inferência de $M_h$ usando redes de fluxo normalizante (NPE) treinadas em simulações cosmológicas. No entanto, o HaloFlow sofre de um problema crítico de especificidade de conjunto de dados: ele assume que os dados de teste seguem a mesma distribuição geradora dos dados de treinamento.

• O Desafio: Quando um modelo treinado em uma simulação (ex: IllustrisTNG) é aplicado a outra simulação com física diferente (ex: EAGLE ou SIMBA) ou a dados reais, ocorre uma mudança de domínio (domain shift).
• Consequência: O modelo produz posteriors enviesados e excessivamente confiantes (superconfiantes), falhando em capturar a incerteza real e gerando estimativas de massa imprecisas.

2. Metodologia

Os autores propõem o HaloFlowDA, uma extensão do HaloFlow que integra Adaptação de Domínio (DA) não supervisionada ao framework de SBI. O objetivo é aprender representações de características invariantes ao domínio, alinhando as distribuições de diferentes simulações antes da inferência.

Dados e Simulações:

• Utilizaram imagens sintéticas forward-modeled de três simulações hidrodinâmicas de ponta: IllustrisTNG (TNG50 e TNG100), EAGLE e SIMBA.
• As imagens foram processadas com pipelines de transferência radiativa (SKIRT) e realismo observacional para mimetizar as observações do HSC-SSP (Hyper Suprime-Cam Subaru Strategic Program).
• O conjunto de dados inclui galáxias centrais em $z=0.1$ com massa estelar $M_* > 10^{10} M_\odot$.

Arquitetura do HaloFlowDA:
O pipeline introduz uma etapa intermediária de DA entre a extração de características observacionais ($X$) e o modelo de inferência (NPE):

1. Extração de Características: Um extrator de características mapeia as imagens/parâmetros observacionais ($X$) para um espaço latente comprimido ($\tilde{X}$).
2. Adaptação de Domínio: Dois métodos de DA foram testados para alinhar as distribuições de $\tilde{X}$ entre as simulações:
   • DANN (Domain-Adversarial Neural Networks): Utiliza um treinamento adversarial. Um "classificador de domínio" tenta identificar de qual simulação a amostra veio, enquanto o extrator de características é treinado para "enganar" esse classificador (via camada de reversão de gradiente), forçando a extração de características invariantes.
   • MMD (Maximum Mean Discrepancy): Um método não adversarial que minimiza diretamente a distância estatística (usando kernels RBF) entre as distribuições de características das simulações fonte e alvo.
3. Inferência (NPE): O modelo de fluxo normalizante (HaloFlow) é treinado usando as representações adaptadas $\tilde{X}$ para inferir a posterior conjunta de massa estelar e halo ($M_*, M_h$).

3. Contribuições Principais

• Integração de DA em SBI: Primeira aplicação de técnicas de adaptação de domínio (DANN e MMD) dentro de um framework de inferência baseada em simulação para astrofísica, visando resolver o problema de generalização entre simulações com física distinta.
• Comparação de Estratégias: Avaliação sistemática de como a arquitetura da DA (onde aplicar a invariância: no espaço latente ou na saída do regressor) e o método (adversarial vs. baseado em kernel) impactam a robustez.
• Correção de Priori: Implementação refinada de correção de prioris usando o método de entropia máxima e truncamento de caudas para estabilizar as posteriors em regimes de alta massa.
• Validação Cruzada: Teste rigoroso em todas as combinações de treinamento e teste entre TNG, EAGLE e SIMBA, demonstrando a degradação do método padrão e a melhoria com DA.

4. Resultados

• Degradação sem DA: Quando o HaloFlow padrão é treinado em TNG e testado em EAGLE (fora de domínio), a calibração cai drasticamente. A cobertura de 1$\sigma$ cai de ~77% (in-domain) para ~48% (out-of-domain), indicando posteriors superconfiantes e enviesadas. O métrico de resíduo normalizado ($\beta$) aumenta de ~0.58 para ~1.66.
• Melhoria com DA:
  • Ambos os métodos (DANN e MMD) reduzem significativamente o viés e melhoram a calibração.
  • MMD Superior: O método baseado em MMD demonstrou ser mais robusto e estável. Na transferência de SIMBA para EAGLE, o MMD reduziu o $\beta$ de 1.62 para 0.70 (uma redução de 57% no erro), enquanto o DANN apresentou instabilidade em certas configurações.
  • Precisão vs. Viés: O HaloFlowDA (com MMD) mantém uma precisão (largura da posterior) comparável ao método padrão (baseado na relação massa-estrela-halo), mas com viés drasticamente reduzido e melhor calibração.
• Sensibilidade aos Hiperparâmetros: O MMD mostrou-se menos sensível à escolha do peso da perda de adaptação ($\lambda$) em comparação ao DANN, que exige um ajuste cuidadoso e sofre com instabilidades no treinamento adversarial.

5. Significado e Conclusão

O HaloFlowDA estabelece uma base fundamental para a aplicação de modelos treinados em simulações a dados observacionais reais (como o HSC-SSP).

• Robustez: Demonstra que é possível mitigar os efeitos de "mismatch" físico entre simulações e a realidade, alinhando distribuições de características latentes.
• Limitações: A adaptação de domínio não pode compensar totalmente discrepâncias físicas fundamentais (ex: feedback de AGN muito mais agressivo no SIMBA). O sucesso depende de que o conjunto de treinamento abranja o espaço de parâmetros físicos do universo real.
• Futuro: Os autores planejam aplicar o HaloFlowDA a dados reais do HSC-SSP e validar as massas inferidas contra lentes gravitacionais fracas e estimativas dinâmicas de grupos de galáxias.

Em resumo, o trabalho prova que a Adaptação de Domínio é essencial para tornar a inferência baseada em simulação robusta o suficiente para a cosmologia observacional de precisão, superando as limitações de generalização dos modelos de aprendizado de máquina tradicionais.