Benchmarking Exact, GP-Emulated, and Simulation-Based Inference for Late-Time Cosmology

Resumo Técnico: Avaliação de Desempenho de Inferência Exata, Emulada por GP e Baseada em Simulação para Cosmologia de Tempo Tardio

Problema
Os levantamentos cosmológicos modernos estão gerando conjuntos de dados de tamanho e precisão crescentes, criando um gargalo computacional para a estimativa bayesiana de parâmetros. Embora o MCMC exato permaneça o padrão ouro estatístico, seu custo computacional escala mal com a dimensionalidade dos conjuntos de dados e a complexidade das funções de verossimilhança. Este trabalho aborda a necessidade de pipelines de inferência que sejam simultaneamente confiáveis do ponto de vista estatístico e computacionalmente escaláveis. Especificamente, os autores investigam o compromisso entre eficiência computacional e fidelidade estatística ao substituir avaliações de verossimilhança exatas por modelos substitutos ou abordagens baseadas em simulação no contexto da cosmologia $\Lambda$CDM de tempo tardio.

Metodologia
O estudo realiza uma comparação sistemática e controlada de três estratégias de inferência distintas utilizando modelos cosmológicos, priors e conjuntos de dados observacionais idênticos. A análise foca em um modelo $\Lambda$CDM espacialmente plano, restringido pela constante de Hubble ($H_0$) e pelo parâmetro de densidade de matéria atual ($\Omega_{m,0}$).

1. Conjuntos de Dados: A análise utiliza duas combinações de sondas de tempo tardio:
   • CC+DESI: Cronômetros Cósmicos (CC) e medições anisotrópicas de Oscilações Acústicas de Bárions (BAO) provenientes do DESI DR2.
   • CC+DESI+PP: A combinação acima acrescida da compilação de supernovas do Tipo Ia Pantheon+ (PP), criando uma verossimilhança de maior dimensão com maior poder de restrição.
2. Estratégias de Inferência:
   • MCMC Exato: Serve como o benchmark, amostrando a verossimilhança completa diretamente usando o amostrador de conjunto emcee.
   • MCMC Emulado por GP: Utiliza um emulador de Processo Gaussiano (GP) treinado em uma Amostragem de Hipercubo Latino (LHS) do espaço de parâmetros. Para aumentar a eficiência, a Análise de Componentes Principais (PCA) comprime vetores de observáveis de alta dimensão antes de treinar modelos GP independentes. O emulador substitui as avaliações dispendiosas do modelo direto durante a amostragem MCMC.
   • Inferência Baseada em Simulação (SBI): Emprega a Estimativa de Posterior Neural Sequencial (SNNE) via framework sbi. Esta abordagem livre de verossimilhança treina um estimador de densidade neural em pares parâmetro-observação sintéticos gerados pelo modelo direto $\Lambda$CDM. Uma vez treinado, o posterior pode ser amostrado instantaneamente para qualquer novo vetor de dados.

Principais Contribuições e Resultados
O artigo quantifica o acordo estatístico e os custos computacionais desses métodos através das duas combinações de conjuntos de dados:

• Fidelidade Estatística:
  • Para a combinação CC+DESI, tanto a emulação por GP quanto a SBI reproduzem as restrições do posterior exato para $H_0$ e $\Omega_{m,0}$ com precisão superior a $0,3\sigma$. As distribuições do posterior são visualmente indistinguíveis dos resultados do MCMC exato.
  • Para a combinação mais restritiva CC+DESI+PP, emergem desvios modestos dependentes do método. O emulador GP mostra um desvio de $\sim 1,53\sigma$ em $\Omega_{m,0}$, e a SBI mostra um desvio de $\sim 1,44\sigma$ em $H_0$ em relação ao MCMC exato. Apesar dessas tensões ao nível dos parâmetros, todos os métodos recuperam uma história de expansão $H(z)$ quase idêntica, com desvios permanecendo no nível percentual (máximo de $\sim 1,3\%$ para GP e $\sim 0,6\%$ para SBI) em todo o intervalo de redshift $z \in [0, 2,5]$.
• Eficiência Computacional:
  • MCMC Exato: Escala linearmente com o número de avaliações de verossimilhança. Para CC+DESI+PP, requer aproximadamente 3 horas de tempo de execução (wall-clock time).
  • Emulação por GP: Acelera avaliações individuais de modelos, mas permanece limitado pelo processo de amostragem MCMC. Reduz o tempo de execução para CC+DESI+PP para $\sim 2,5$ horas, mas incorre em overhead para treinamento e PCA.
  • SBI: Alcança reduções de ordens de magnitude no tempo de execução total. Para CC+DESI+PP, a SBI completa em $\sim 10$ minutos. O custo computacional é amortizado: a maior parte do tempo é gasta na geração de simulações e no treinamento da rede neural, enquanto a inferência do posterior é desprezível.
• Convergência: O estudo identifica o orçamento de simulação necessário para resultados estáveis de SBI. Para CC+DESI, $\sim 30.000$ simulações são suficientes para igualar o MCMC exato dentro de $0,3\sigma$. Para o mais complexo CC+DESI+PP, orçamentos de $50.000$a$100.000$ simulações são necessários para controlar os vieses para $\lesssim 1\sigma$.

Significância e Alegações
Os autores afirmam que as técnicas de inferência acelerada amadureceram ao ponto de poderem servir como alternativas práticas à amostragem de verossimilhança convencional para aplicações cosmológicas de tempo tardio. O estudo demonstra que:

1. Confiabilidade: Tanto a emulação por GP quanto a SBI podem entregar restrições cosmológicas confiáveis para conjuntos de dados realistas, preservando a evolução cosmológica subjacente mesmo quando os posteriors de nível de parâmetro mostram desvios menores.
2. Escalabilidade: A SBI oferece um paradigma qualitativamente diferente onde o custo computacional é deslocado para uma etapa de treinamento inicial, tornando-a particularmente atraente para dados de alta dimensão, análises repetidas e otimização de levantamentos.
3. Praticidade: Embora o MCMC exato continue sendo o benchmark necessário para o rigor estatístico, o artigo argumenta que métodos acelerados fornecem caminhos viáveis para inferência escalável na era da cosmologia de precisão, desde que o orçamento de simulação seja suficiente para garantir a convergência.

O trabalho conclui que estabelecer os domínios de confiabilidade e compreender as limitações desses métodos à medida que os conjuntos de dados crescem em complexidade é um passo crítico para futuros levantamentos cosmológicos envolvendo pesquisas de próxima geração como DESI, Euclid e Rubin LSST.