Using Neural Emulators and Hamiltonian Monte Carlo to constrain the Epoch of Reionization's History with the Ly$α$ Forest Power Spectrum

技术摘要：利用神经模拟器与哈密顿蒙特卡洛法约束再电离时期的历史

问题陈述
再电离时期（EoR）代表了宇宙历史中一个关键的转变期，然而其详细的时间线和非均匀结构仍缺乏足够的约束。虽然宇宙微波背景（CMB）测量提供了综合光学厚度约束，但其对再电离的具体持续时间和拓扑结构并不敏感。目前来自高红移类星体光谱（例如阻尼翼、暗像素比例）的约束精度有限，且往往依赖于模型化的解释。红移 $z \sim 5$ 处的莱曼-$\alpha$（Ly$\alpha$）森林为研究星际介质（IGM）的热状态和电离状态提供了极具前景的探测手段，但要提取详细的再电离历史，需要利用 Ly$\alpha$ 不透明度的全分布。

定量推断的一个显著障碍是计算成本。生成足以捕捉 EoR 相关小尺度结构的流体动力学模拟需要数千个 GPU 小时。因此，以往的研究仅限于定性比较或受限的参数空间。此外，鲁棒的参数估计需要准确的协方差矩阵，而由于高红移类星体样本稀少，这类矩阵很难通过经验获得。传统方法通常假设固定的协方差结构，或者依赖于极其昂贵的模拟系综来计算模型相关的协方差。

方法论
本研究提出了一种基于 JAX 的新型推断框架，该框架集成了前向建模的 Ly$\alpha$ 森林观测量、可微分神经模拟器以及哈密顿蒙特卡洛（HMC）。该方法论通过以下步骤进行：

1. 模拟数据集构建： 作者使用 Nyx 代码生成了一个包含 501 个低分辨率（$256^3$ 体素，$L_{box} = 20 \, h^{-1}$ Mpc）流体动力学模拟的数据集。这些模拟由 AMBER（一种将用户定义的参数映射到电离场的半数值代码）驱动的再电离历史所驱动。参数空间包括再电离中点（$z_{mid}$）、持续时间（$\Delta z$）、不对称性（$A_z$）、最大加热温度（$\Delta T_{re}$）和平均通量（$\langle F \rangle$）。
2. 前向建模： 从这些模拟中，作者生成了 1D Ly$\alpha$ 通量标量（skewers），并应用了观测效应，如光谱仪分辨率（$R=30,000$）和噪声（$SNR=30$）。他们计算了平均 1D 功率谱（$\langle P_{Ly\alpha} \rangle$）和模型相关的协方差矩阵（$\Sigma_{P_{Ly\alpha}}$）。
3. 神经模拟： 作者训练了两个独立的神经模拟器：
   • 功率谱模拟器： 一个全连接前馈网络，用于根据输入参数预测 $\log_{10}\langle P_{Ly\alpha} \rangle$。
   • 协方差矩阵模拟器： 为了确保输出保持对称性和正定性，作者采用了 Cholesky 分解（$\Sigma = LL^T$）。神经网络预测扁平化的下三角 Cholesky 因子（$L_{flat}$），并对对角线元素应用指数激活函数以强制执行正定性。
4. 推断流水线： 这些模拟器通过 Numpyro 包与哈密顿蒙特卡洛（HMC）相结合。基于 JAX 的模拟器的可微性允许计算 HMC 所需的梯度，与标准的 Metropolis-Hastings 算法相比，这显著加速了参数空间的探索。

核心贡献

• 可微协方差模拟： 本研究首次尝试使用神经网络模拟 Ly$\alpha$ 森林协方差矩阵。通过预测 Cholesky 因子，该方法在捕捉参数相关性的同时，确保了物理有效性（对称性和正定性）。
• 端到端可微框架： 将前向建模、神经模拟和 JAX 生态系统中的 HMC 集成在一起，创建了一个完全可微的宇宙学参数推断流水线。
• 定量验证： 该框架通过一组 100 个模拟观测进行了验证，证明了其恢复真实参数的能力，并评估了所得后验分布的统计有效性。

结果

• 模拟器准确度： 功率谱模拟器在测试集上的中值平均绝对百分比误差（MAPE）为 0.15%，95% 的误差保持在 2% 以下。协方差矩阵模拟器的中值误差为 0.42%（相对于对角元素的乘积），且在所有尺度上误差通常保持在 5% 以下。两种模拟器的准确度均远低于前向建模中假设的预期观测噪声水平。
• 参数恢复： 当应用于模拟观测时，HMC 框架成功恢复了真实的输入参数。后验分布在视觉上与真实值一致。
• 统计有效性： 对 100 个模拟观测进行的覆盖率测试显示，后验分布略显过度自信（估计的覆盖概率略低于理想线）。作者将其主要归因于多元高斯似然函数的假设，并指出 Ly$\alpha$ 森林本质上是一个非高斯随机场。
• 数据效率： 作者使用仅包含 100 个模拟的缩减训练集测试了该方法。虽然模拟误差有所增加（功率谱 MAPE 上升至约 1.2%，协方差误差也随之增加），但得到的后验分布和统计覆盖率与使用完整数据集得到的结果相当。这表明该方法即使在训练数据有限的情况下也具有鲁棒性，这是未来高分辨率模拟的关键因素。

意义与局限性
论文声称该框架为利用 Ly$\alpha$ 森林功率谱定量约束再电离历史提供了一条可行路径。其主要意义在于证明了神经模拟器可以高效地替代昂贵的前向模型，并且可以模拟模型相关的协方差矩阵，从而实现更快、更严谨的贝叶斯推断。

然而，作者明确指出，由于所使用的模拟分辨率较低，会抑制小尺度的功率，因此目前的结果尚不能直接应用于真实观测数据。此外，再电离模型依赖于简化的热注入方案，且缺乏紫外背景（UVB）的空间涨落。作者总结道，未来的工作必须纳入更高分辨率的模拟、更具物理动机的热处理以及波动的 UVB 模型。他们还建议，针对观察到的后验分布略微过度自信的问题，可以通过转向不依赖高斯似然假设的基于模拟的推断（SBI）方法来解决。