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

Resumo Técnico: Comparação entre Inferência de Verossimilhança Explícita e Inferência Baseada em Simulação Livre de Verossimilhança para Cisalhamento Cósmico de Lente Fraca

Enunciado do Problema
Pesquisas de lente fraca (WL) de Estágio-IV, como Euclid e LSST, visam extrair parâmetros cosmológicos de precisão (especificamente $\Omega_m$ e $S_8$) a partir de observáveis não-Gaussianos. Embora as análises atuais dependam predominantemente de estatísticas de dois pontos (shear-2PCFs) combinadas com aproximações de verossimilhança Gaussiana, esta abordagem comprime o campo de lentes e falha em capturar totalmente a informação proveniente da evolução da matéria não-linear. À medida que os estatísticos de resumo se tornam mais informativos e não-lineares, a suposição de verossimilhança Gaussiana torna-se cada vez mais injustificada, podendo levar a restrições enviesadas. Por outro lado, a inferência livre de verossimilhança (LFI) oferece uma maneira de aprender a verossimilhança diretamente de simulações usando estimadores de densidade neural (NDEs), contornando a modelagem explícita da verossimilhança. No entanto, uma comparação sistemática entre a Inferência de Verossimilhança Explícita (ELI) e a LFI em conjuntos de simulações idênticos, utilizando observáveis e estratégias de compressão correspondentes, foi marginalmente explorada. Este trabalho aborda a lacuna na compreensão se as discrepâncias entre as estruturas surgem de suposições estatísticas, implementação numérica ou do conteúdo de informação dos estatísticos de resumo.

Metodologia
Os autores utilizam um conjunto comum de simulações do tipo Euclid geradas através do framework GLASS, produzindo mapas de cisalhamento Gaussiano de céu completo com injeção de ruído de forma representativa do Euclid Data Release 3 (DR3) final. A análise foca em uma configuração não-tomográfica com um único bin de redshift estendendo-se até $z_{max}=3$.

1. Geração de Dados e Compressão:

   • Simulações: O Amostragem de Hipercubo Latino (LHS) é usado para variar $\Omega_m$ e $\sigma_8$. Dois conjuntos independentes de 5.100 nós cosmológicos são gerados: um para treinamento de deep learning (LHS0) e outro para treinamento de emulador e análise LFI (LHS1).
   • Estatísticos de Resumo: Duas sondas são medidas em patches de céu plano:
     • Funções de correlação de dois pontos de cisalhamento ($\xi_\pm$), uma sonda Gaussiana.
     • Um estatístico de nível de mapa baseado em Rede Neural Convolucional (CNN) usando uma arquitetura ResNet-18, uma sonda não-linear.
   • Compressão: Vetores de dados de alta dimensão (DVs) são comprimidos para a dimensão do espaço de parâmetros ($n_p=2$) usando dois métodos:
     • MOPED: Uma compressão linear, ótima de Fisher, usando derivadas numéricas e a matriz de covariância.
     • Compressão por Rede Neural (NN): Um Perceptron Multicamadas (MLP) não-linear treinado para mapear DVs para parâmetros.

2. Estruturas de Inferência:

   • Inferência de Verossimilhança Explícita (ELI): Emprega emuladores de Processo Gaussiano (GP) para prever o sinal médio dos estatísticos comprimidos. A verossimilhança é assumida como uma Gaussiana multivariada, construída usando a previsão do GP e uma matriz de covariância estimada. A amostragem da posterior é realizada via MCMC.
   • Inferência Livre de Verossimilhança (LFI): Utiliza Estimadores de Densidade Neural (NDEs) para aprender a verossimilhança ou a posterior diretamente dos pares de simulação. O estudo compara a Estimativa de Verossimilhança Neural (NLE) e a Estimação de Posterior Neural (NPE) usando arquiteturas como Neural Spline Flows (NSF), Masked Autoregressive Flows (MAF) e Redes de Densidade de Mistura (MDN).

3. Validação:

   • O estudo utiliza diagnósticos de calibração de posterior, especificamente o Teste de Acurácia com Pontos Aleatórios (TARP), para avaliar a confiabilidade das posteriors inferidas.
   • A Gaussianidade dos resumos comprimidos é testada usando testes de Kolmogorov–Smirnov (KS) e testes globais de bondade de ajuste $\chi^2$.

Resultados Principais

• Discrepâncias de Calibração: A ELI torna-se fortemente descalibrada na presença de imprecisões de emulação ou quando a verossimilhança é não-Gaussiana. Em contraste, a LFI permanece consistentemente bem calibrada em todos os cenários testados.
• Impacto da Compressão: A escolha do esquema de compressão afeta significamente o desempenho da ELI. Enquanto os shear-2PCFs comprimidos por MOPED estão próximos de serem Gaussianos, os resumos comprimidos por NN exibem forte não-Gaussianidade. Consequentemente, as restrições da ELI em $\Omega_m$ e $S_8$ podem diferir em até um fator de dois das inferidas com o estatístico CNN devido à falha da suposição de verossimilhança Gaussiana na ELI.
• Robustez da LFI: Quando os problemas de erro de emulação e não-Gaussianidade da verossimilhança são abordados, o desacordo entre ELI e LFI desaparece em grande parte. Para a LFI, a discrepância entre as restrições derivadas de shear-2PCFs e o estatístico CNN é reduzida para aproximadamente 3 de 30%, destacando a robustez da sonda de deep learning.
• Testes de Gaussianidade: O estudo revela que, embora os testes globais de $\chi^2$ possam passar para certos resumos comprimidos, testes de KS marginais por bin podem revelar não-Gaussianidade significativa (por exemplo, em shear-2PCFs comprimidos por NN), o que é suficiente para invalidar a suposição de verossimilhança Gaussiana usada na ELI.

Significância e Alegações
Os autores concluem que, em sua configuração específica — que negligencia vieses sistemáticos — a LFI fornece um framework mais robusto e melhor calibrado para extrair informação cosmológica de pesquisas de lente fraca comparado à tradicional ELI. O artigo enfatiza que a modelagem precisa de verossimilhança não-Gaussiana e diagnósticos rigorosos de calibração de posterior são essenciais para futuras análises de ELI. Os resultados sublinham o potencial de sondas de deep learning (como CNNs) combinadas com métodos livres de verossimilhança para capturar informação complexa além do nível de dois pontos sem depender de potenciais aproximações Gaussianas falhas. O estudo serve como um framework de validação e oferece orientação para a aplicação de ELI em futuras pesquisas de WL de Estágio-IV.