Conditional variational autoencoders for cosmological model discrimination and anomaly detection in cosmic microwave background power spectra

技术摘要：用于宇宙学模型判别与异常检测的条件变分自编码器

问题陈述
宇宙微波背景（CMB）功率谱是观测早期宇宙的主要窗口，然而在弱模型假设下实现可解释的数据压缩和快速推断诊断仍具挑战性。虽然六参数 $\Lambda$CDM 模型提供了稳健的基准，但观测张力（如 $H_0$ 张力）和异常现象（如低多极矩缺失）表明可能存在系统误差或超越标准模型的物理新机制。用于验证 $\Lambda$CDM 扩展模型的传统基于似然函数的流水线计算量巨大，往往占据了 CMB 分析的主要运行时间。此外，纯数据驱动的深度学习方法通常存在“黑盒”性质，缺乏到物理参数的可追溯映射和稳健的不确定性量化，这限制了其在宇宙学推断中的可解释性和可重用性。

方法论
作者提出了一种专门针对 CMB 功率谱（$D_\ell^{TT}$、$D_\ell^{EE}$ 和 $D_\ell^{TE}$）设计的**条件变分自编码器（CVAE）**架构。其核心创新在于将数据驱动的潜在表示与宇宙学参数对齐，同时保留与似然风格诊断测试的接口。

• 架构： 该模型在共享潜在空间 $Z$ 内采用了双编码器结构：
  • 编码器 1： 将输入的 CMB 功率谱压缩为 $L$ 维潜在表示 $z_1$。
  • 编码器 2： 将相关的宇宙学参数 $\theta$（六个核心 $\Lambda$CDM 参数：$h, \Omega_b h^2, \Omega_c h^2, \tau, \ln(10^{10}A_s), n_s$）映射到另一个 $L$ 维潜在表示 $z_2$。
  • 解码器： 从共享潜在空间中采样的样本中重建功率谱。
• 训练目标： 网络通过最小化复合损失函数进行训练，包括：
  1. 重建损失： 输入与重建谱之间的 Huber 损失。
  2. KL 正则化： 一个 $\beta$ 加权的 KL 散度项，以确保潜在分布平滑。
  3. 潜在对齐惩罚： 一个对称 Kullback-Leibler（SKL）项，旨在促进数据衍生分布 $q_\phi(z_1|x)$ 与参数衍生分布 $q_\psi(z_2|\theta)$ 的对齐。这强制实现了潜在空间与物理理论之间的可追溯对应关系。
• 数据生成： 训练数据使用 CAMB 在平坦 $\Lambda$CDM 模型下生成，并辅以类 Planck 观测不确定性（在每个分箱中添加高斯噪声）。数据集包含 100 万个谱，并设计了特定的子集用于插值、受控外推以及超出训练支持范围的测试（例如改变 $N_{eff}, \Omega_k$ 和中微子质量）。

核心贡献

1. 紧凑的潜在压缩： 研究量化了 $L=5$ 的潜在维度足以在高保真度下重建温度和极化谱，即使在存在类 Planck 噪声的情况下也是如此。
2. 泛化能力与表示空间检查： CVAE 展示了在超出训练支持范围时的稳健泛化能力，包括受控参数外推（如 $\tau$）以及向非平坦 $\Lambda$CDM 和动力学暗能量模型的扩展。它提供了高方向重建相似度，并实现了表示空间判别诊断。
3. 分布式物理编码： 学习到的潜在空间呈现出分布式且部分结构化的组织形式。单个宇宙学参数并非映射到单一潜在维度，而是跨越多个维度，反映了 CMB 可观测量中固有的简并性和相关性（例如 $A_s e^{-2\tau}$ 简并）。
4. 快速代理诊断： 通过将条件潜在变量与参数对齐，解码器充当了快速谱代理。这使得马尔科夫链蒙特卡洛（MCMC）诊断测试能够大幅缩减运行时间。

结果

• 重建保真度： 对于 1,000 个拉丁超立方体测试谱，标称 $L=5$ 的 CVAE 实现了协方差加权余弦相似度 $M = 0.999981 \pm 1.9 \times 10^{-5}$ 以及中值全协方差残差统计量 $\Delta\chi^2/N_{bin} = 1.81$。当 $L$ 增加到 5 以上时，未观察到统计学上的显著改进。
• 外推稳定性： 与无条件 VAE 不同（后者在向训练范围外外推时，特别是在 TE 谱方面表现出振荡退化），CVAE 保持了稳定性及更高的相似度得分。这归功于对宇宙学参数的显式调节，有助于组织非线性参数-谱关系。
• 异常检测： 潜在空间能有效区分测试的宇宙学谱与标称参考谱。在区分非平坦 $\Lambda$CDM 模型（$\Omega_k \neq 0$）与平坦模型时，潜在距离统计量在测试范围内达到了 1.000 的曲线下面积（AUC）。
• 参数推断速度： 使用 CVAE 解码器作为 MCMC 运行中的玻尔兹曼求解器代理（在此演示中限制为 $D_\ell^{TT}$），将运行时间从 16 核 CPU 上的约 40 小时 缩减至 单 GPU 上的约 2 分钟。虽然由于训练近似（例如对角协方差、偏移的 $N_{eff}$）导致代理后验存在校准偏移，但它成功恢复了传统 CAMB 结果的宽尺度和简并方向。
• 物理可解释性： 使用中心核对齐（CKA）和希尔伯特-施密特独立性判据（HSIC）进行的统计分析证实，潜在空间以分布式方式编码了宇宙学信息，并在潜在维度与物理参数之间建立了显著的统计联系。

意义与主张
本文声称该物理启发式 CVAE 框架支持可解释压缩、快速诊断探索以及超越标准 $\Lambda$CDM 模型的异常敏感型表示学习。

作者强调，该模型被设计为一个诊断与探索工具，而非最终的、经过校准的推断引擎。在训练过程中使用对角协方差近似是出于计算可行性的务实选择，而单独的全协方差残差检查验证了重建质量。这项工作证明，数据驱动方法可以成功地与物理结构相结合，从而创建高效的宇宙学分析代理。作者明确指出，未来的工作将侧重于将全非对角协方差矩阵直接纳入训练目标，以进一步增强其在实际数据场景下的适用性。