Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference

Resumo Técnico: Cosmologia de Lente Fraca ao Nível de Campo com < 100 Simulações usando Inferência Baseada em Simulação de Multifidelidade

Definição do Problema
A inferência de lente fraca ao nível de campo oferece o potencial de extrair significativamente mais informação cosmológica dos dados de cisalhamento cósmico (cosmic shear) do que as estatísticas de resumo de dois pontos tradicionais (por exemplo, espectros de potência). No entanto, realizar esse potencial requer realismo físico ao nível de campo, o que exige simulações de $N$-corpos de alta fidelidade. Existe um gargalo importante para a Inferência Baseada em Simulação (SBI): a modelagem empírica de densidade precisa e a compressão baseada em aprendizado profundo tipicamente requerem milhares de simulações de treinamento, mas simulações de $N$-corpos de alta fidelidade são computacionalmente proibitivas para gerar em tais quantidades. Por outro lado, simulações mais baratas e de baixa fidelidade (por exemplo, campos log-normais) carecem do realismo físico necessário para uma inferência precisa ao nível de campo. O desafio é alcançar posteriores cosmológicos precisos e bem calibrados utilizando um número mínimo de simulações de alta fidelidade dispendiosas.

Metodologia
Os autores propõem uma estrutura de SBI de multifidelidade que aproveita o aprendizado por transferência (transfer learning) para preencher a lacuna entre simulações de baixa e alta fidelidade. A abordagem envolve três componentes principais:

1. Pipeline de Simulação:

   • Baixa Fidelidade: Os autores geram $\sim$100.000 observações de lente fraca usando o GLASS (Generator for LArge Scale Structure), que produz campos aleatórios log-normais da sobredensidade da matéria escura. Estes são processados para mimetizar as características do levantamento KiDS-Legacy, incluindo incertezas de redshift fotométrico, alinhamentos intrínsecos (modelo NLA-M) e ruído de forma (shape noise).
   • Alta Fidelidade: Um conjunto menor de observações mock é gerado usando a suíte de simulação de $N$-corpos Gower Street (gravidade pura, céu completo). Estes fornecem cascas de matéria fisicamente realistas processadas através do mesmo pipeline de modelagem direta (forward modeling).
   • Aumento de Dados (Data Augmentation): Para maximizar a utilidade das simulações de alta fidelidade limitadas, os autores aplicam um aumento extensivo, gerando 80 pegadas (footprints) pseudo-independentes do tipo KiDS-Legacy por caixa de simulação cosmológica, rotacionando os campos de matéria subjacentes e variando os parâmetros de incerteza (nuisance parameters).

2. Arquitetura Neural e Treinamento:

   • Compressão de Aprendizado Híbrido: Uma rede de compressão neural é projetada para processar conjuntamente estatísticas de dois pontos (bandpowers pseudo-$C_\ell$) e dados de nível de campo (mapas de convergência $\kappa$).
     • Estágio I: Uma rede feedforward comprime os dados de bandpower.
     • Estágio II: Uma Rede Neural Convolucional (CNN) processa os mapas de convergência. As saídas do Estágio I são congeladas e concatenadas com as saídas da CNN para formar a estatística de resumo final. Isso garante que a rede aprenda informações além dos dois pontos sem perder a informação já capturada pelas estatísticas de dois pontos.
   • Aprendizado por Transferência de Multifidelidade:
     • Pré-treinamento: A rede de compressão e a cabeça de Estimador de Densidade Neural (NDE) são pré-treinadas em um grande conjunto de dados de baixa fidelidade (GLASS) usando Maximização de Informação Mútua Variacional (VMIM).
     • Ajuste Fino (Fine-tuning): Os modelos pré-treinados são ajustados no pequeno conjunto de dados de alta fidelidade ($N$-corpos). Os autores exploram duas estratégias: (i) ajustar apenas a cabeça NDE enquanto congela o compressor, e (ii) ajustar todos os pesos ("finetune all").
   • Métodos de Inferência: A estrutura suporta tanto a Estimativa de Posterior Neural (NPE), que aprende o posterior diretamente, quanto a Estimativa de Verossimilhança Neural (NLE), que aprende uma verossimilhança substituta para permitir priors flexíveis (por exemplo, priors específicos do KiDS-Legacy).
   • Ensemble: Para mitigar erros de calibração em regimes de poucos dados, os autores utilizam ensembes de modelos, treinando múltiplas instâncias dos modelos ajustados com diferentes divisões de dados e realizando a média de suas previsões.

Principais Contribuições

• NLE de Multifidelidade: Este trabalho apresenta a primeira demonstração de Estimativa de Verossimilhança Neural de multifidelidade para inferência cosmológica ao nível de campo, desacoplando o prior da simulação de alta fidelidade da análise.
• Eficiência de Simulação: Os autores demonstram que uma inferência de campo precisa pode ser alcançada com tão somente 60–100 simulações de $N$-corpos de alta fidelidade, representando uma redução de uma ordem de magnitude no custo computacional em comparação com as abordagens padrão de SBI de fidelidade única.
• Esquema de Aprendizado Híbrido: A introdução de um esquema de aprendizado híbrido que congela a compressão de dois pontos durante o treinamento de nível de campo mostra-se crítica para a convergência eficiente e extração ótima de informação.
• Calibração de Ensemble: O estudo estabelece que o ensemble de modelos é um componente necessário para alcançar posteriors bem calibrados quando o número de simulações de treinamento de alta fidelidade é muito baixo ($N < 100$).

Resultos

• Extração de Informação: Modelos de aprendizado por transferência alcançam alta informação mútua (MI) e poder de restrição (Figura de Mérito, FoM) mesmo com $N \le 100$ simulações. Especificamente, um ensemble ajustado com apenas $N=10$ simulações extrai mais informação do que um modelo treinado do zero com $N=530$ simulações (embora o primeiro ainda não esteja bem calibrado).
• Calibração: Enquanto o aprendimento por transferência de modelo único exibe um leve excesso de confiança em baixos $N$, o ensemble de modelos reduz com sucesso o erro de calibração, alcançando cobertura aceitável com $N=60$ simulações.
• Poder de Restrição:
  • A abordagem de multifidelidade produz restrições em $\Omega_m$ e $\sigma_8$ que são $\sim$3,5 vezes mais apertadas do que análises de apenas dois pontos e $\sim$15% mais apertadas do que análises de nível de campo usando o conjunto de dados completo ($N=530$) de alta fidelidade.
  • Crucialmente, a abordagem de multifidelidade permite restrições significativas no parâmetro da equação de estado da energia escura $w$, um parâmetro que o modelo de fidelidade única falha em restringir mesmo com o conjunto de dados completo. Os autores atribuem isso à dependência analítica de $w$ codificada nas simulações log-normais de baixa fidelidade (via HMcode-2020), que é preservada e adaptada durante o ajuste fino.
• Desempenho da NLE: Modelos NLE de multifidelidade produzem posteriors precisos comparáveis aos da NPE, mas exibem um leve excesso de confiança. No entanto, isso é considerado um efeito menor (comparável às incertezas em aproximações tradicionais de verossimilhança Gaussiana) e pode ser mitigado pelo ensemble.

Significância e Alegações
O artigo afirma que a SBI de multifidelidade fornece uma rota prática e eficiente em termos de simulação para a análise cosmológica ao nível de campo sob restrições computacionais realistas. Ao utilizar o aprendizado por transferência, os autores demonstram que:

1. Esquemas de compressão altamente informativos, que vão além dos dois pontos, podem ser aprendidos de simulações baratas e adaptados para dados de alta fidelidade com apenas $O(10)$ simulações de $N$-corpos de grande volume.
2. Uma inferência precisa e bem calibrada (comparável às restrições atuais mais apertadas de lente fraca) é alcançável com 60–100 simulações de alta fidelidade.
3. O pré-treinamento de baixa fidelidade pode mudar qualitativamente as capacidades de análise, permitindo restrições em parâmetros como $w$, que são inacessíveis para métodos de fidelidade única com o mesmo orçamento de simulação.

Os autores enfatizam que estes resultados são uma prova de conceito usando dados mock. Eles observam que aplicar isto a dados reais exigirá validação adicional em relação à física não modelada (por exemplo, feedback bariônico) e efeitos sistemáticos, mas a estrutura oferece um caminho flexível para incorporar física cada vez mais realista na próxima geração de inferência cosmológica.