🔭 astrophysics

Joint inference of weak lensing convergence map and cosmology with diffusion models

本文提出了一种基于 Transformer 的扩散模型，该模型能够从观测到的剪切场中实现弱引力透镜收敛图与宇宙学参数的联合推断，在无需显式可微前向模型的情况下，实现了准确且经过校准的后验恢复。

原作者： Benjamin Remy, Chihway Chang, Rebecca Willett

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Benjamin Remy, Chihway Chang, Rebecca Willett

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，宇宙是一个巨大的、不可见的物质海洋。当来自遥远星系的微光穿过这片海洋时，物质的引力会弯曲光线，使我们看到的星系形状发生轻微的拉伸和扭曲。这被称为弱引力透镜效应（weak gravitational lensing）。

天文学家想要利用这些扭曲的光线做两件事：

绘制海洋图谱： 弄清楚这些不可见物质究竟位于何处（创建“质量图”）。
解读配方： 弄清楚最初创造了这片海洋的基本宇宙规律（宇宙学参数）。

传统上，科学家们试图将这两件事分开处理，或者使用一种非常缓慢、不断试错的方法来解决问题。本文介绍了一种新的、更快且更聪明的方法，可以同时完成这两项任务，这种方法使用了一种被称为**扩散模型（Diffusion Model）**的人工智能技术。

以下是作者提出的名为 JADE 的新方法的工作原理，通过简单的类比进行解释：

1. 问题所在：模糊的照片与神秘的配方

想象你有一张蛋糕的照片，但照片被一个脏手指抹上了污迹（即带噪声的观测数据）。你想知道：

原本完美的蛋糕长什么样？（质量图）。
用来烘焙这个蛋糕的精确配方是什么？（宇宙学参数）。

通常，为了弄清楚这个问题，你可能会尝试猜一个配方，烤一个蛋糕，用手指抹一下，然后看看它是否与你的照片相符。如果不匹配，你就修改配方再试一次。为了得到完美答案而重复进行数百万次这样的过程，需要耗费巨大的计算机时间。

2. 解决方案：向“烹饪课”学习

与其不断猜测和尝试，作者让他们的 AI（JADE）通过观察成千上万个“完美蛋糕”（模拟宇宙）以及与之对应的“抹了污迹的照片”（模拟观测数据）来进行训练。

他们并没有教 AI 引力物理定律或如何计算引力数学公式。相反，他们让 AI 学习模式——即特定的配方是如何导致特定的抹了污迹的照片的。这就像是给学生看成千上万个例子，展示一位特定厨师在疲惫时与精神饱满时的笔迹有何不同，直到学生只需看一眼笔记就能立刻认出那位厨师。

3. 魔术技巧：“去噪”过程

这个 AI 使用了一种叫做**扩散（Diffusion）**的技术。想象你有一张清晰的高清蛋糕照片，然后你慢慢向其中加入静态噪声，直到它变成一片白色的杂讯。

训练： AI 学习如何逆转这个过程。它观察白色的杂讯，预测照片在前一步、前两步甚至更早之前的样子，直到还原出清晰的蛋糕。
转折点： 在本文中，AI 不仅仅学习如何清理蛋糕照片，它还学习如何同时清理两样东西：蛋糕照片（物质图）和配方卡（宇宙学参数）。

作者为这个 AI 构建了一个特殊的“大脑”，称为 Transformer（与聊天机器人使用的技术相同）。他们将配方数值视为拼图中的另一部分，就像句子中的单词一样，从而使 AI 能够理解配方与蛋糕形状之间的联系。

4. 结果：快速且准确

当作者测试这个新 AI 时：

速度： 训练完成后，AI 生成一个新答案仅需约 0.2 秒。旧方法（MCMC）完成同样的工作需要数小时甚至数天，因为它必须针对每一次新的观测进行数百万次模拟。
准确性： AI 生成的图谱和配方几乎与“真实值”（实际的模拟数据）完全一致。
可靠性： AI 不仅仅是在瞎猜；它是经过“校准”的。这意味着如果它说某个配方的概率是 90%，那么它在 90% 的情况下都是正确的。

为什么这很重要

这里最大的突破在于，这个 AI 不需要理解复杂的引力数学就能完成工作。它只需要见过足够多关于宇宙行为的例子即可。

这就像教一个孩子识别狗，是通过给他们看狗的照片，而不是教他们关于狗的生物学定义（如毛发、四肢、吠叫）。因为 AI 是从数据模式而非数学方程中学习，所以它最终可以被用于处理那些人类甚至无法用数学公式写下来的、更为复杂且真实的计算机模拟。

简而言之： 本文提出了一种全新的 AI 工具，它可以从模糊的望远镜数据中，瞬间重建出不可见的宇宙地图及其底层规则，以眨眼间的速度完成两项任务，并拥有大师级厨师般的精准度。

技术摘要：利用扩散模型进行弱引力透镜收敛图与宇宙学的联合推断

问题陈述
目前的弱引力透镜分析通常依赖于统计量（如二点相关函数），这丢弃了物质分布中存在的非高斯信息，特别是在小尺度、非线性尺度上的信息。虽然全场方法提供了一种捕捉所有统计信息的原则性途径，但现有的方法面临着一种两难境地：

边缘推断（Marginal Inference）： 基于神经网络的方法直接从数据中推断宇宙学参数 ( $\theta$ )，但会对底层收敛场 ( $\kappa$ ) 进行边缘化处理，从而无法重建质量图。
场重建（Field Reconstruction）： 诸如质量映射（mass mapping）等方法从噪声剪切场 ( $\gamma_{obs}$ ) 中重建 $\kappa$ ，但将宇宙学参数视为固定值，而非进行联合推断。
显式推断（MCMC）： 诸如 BORG 之类的方法进行联合推断 ( $p(\theta, \kappa | \gamma_{obs})$ )。然而，这类方法需要一个连接初始条件与观测值的可微前向模型，这限制了所能采用的物理模型的复杂度，并且在处理高维空间时面临计算成本过高的挑战。

作者旨在开发一种联合推断方法，能够同时重建收敛场并推断宇宙学参数，且不需要可微的前向模型或在推理时使用迭代 MCMC 采样。

方法论：JADE
作者引入了 JADE（用于场与宇宙学参数估计的联合架构），这是一个基于条件扩散模型的隐式推断框架。

通过扩散模型进行隐式推断： JADE 并不学习似然函数，而是直接从模拟数据中学习联合后验分布 $p(\theta, \kappa | \gamma_{obs})$ 。该方法利用了**流匹配（Flow Matching）**技术，这是一种生成式框架，其中神经网络学习一个速度场，将基分布（高斯噪声）传输到目标分布。模型被训练为根据观测到的剪切场预测“干净”的样本 ( $x_1 = [\theta, \kappa]$ ) 以及噪声插值过程中的状态 ( $x_t$ )。
Transformer 架构： JADE 的核心是一个针对多模态数据适配的像素空间 Vision Transformer。
- 统一 Token 序列： 收敛场 $\kappa$ 被分解为补丁（patches），而宇宙学参数 $\theta$ 被投影为相同维度的嵌入（embeddings）。这些被合并为一个统一的 token 序列。
- 条件化（Conditioning）： 观测到的含噪声剪切场 $\gamma_{obs}$ 也经过补丁化和投影处理，然后被拼接至序列中。Transformer 的注意力机制允许目标 token（场与参数）在所有空间位置上都能关注到条件输入（剪切场）。
- 输出： 网络同时输出去噪后的收敛图估计值和宇宙学参数估计值。
摊销推断（Amortized Inference）： 一旦训练完成，该模型可以通过对特定 $\gamma_{obs}$ 进行条件的常微分方程（ODE）积分，为任何新的观测生成后验样本。这种过程是“摊销”的，这意味着无需重新训练或针对单次观测进行优化（如 MCMC）。

模拟设置
该方法在模拟的弱引力透镜数据上进行了验证：

宇宙学： 一个包含六个参数（ $\Omega_c, \Omega_b, \sigma_8, h_0, n_s, w_0$ ）的 $w$ CDM 模型。
数据生成： 收敛图使用 2D 对数正态模型（描述非线性增长的现象学模型）生成，而非完整的 N 体模拟，以便快速生成大规模训练数据集（100,000 个样本）。
观测值： 模拟了具有形状噪声的 LSST 第十年（Y10）深度剪切场，覆盖一个 $5 \times 5$ 平方度区域，分辨率为 $128 \times 128$ 像素。

关键结果

联合重建： 模型成功生成了以噪声剪切场为条件的 $\theta$ 和 $\kappa$ 的后验样本。视觉检查和统计测试确认，重建的收敛图恢复了真实结构，同时正确反映了小尺度上的残余不确定性。
统计一致性：
- 功率谱： 后验样本的自相关功率谱与在采样宇宙学下独立抽取的模拟数据的功率谱相匹配，在各分量和尺度上的平均相对误差约为 6.7%。
- 一阶 PDF： 恢复的分布呈现出预期的对数正态形状，证实了其对非高斯统计特性的捕捉能力。
- 残差： 约化卡方统计量 ( $\chi^2_{red} \approx 1.002$ ) 证实，观测值与后验样本之间的残差确实由注入的形状噪声主导，符合预期。
宇宙学约束： 由 JADE 导出的边缘宇宙学后验分布 ( $p(\theta | \gamma_{obs})$ ) 在置信区间和简并方向上与传统的 NUTS（无转向采样器）MCMC 链表现出极佳的一致性。
校准：
- MIRA 分数： 联合后验达到了 $0.635 \pm 0.017$ 的 MIRA（随机区域质量）校准分数（最优值为 0.667），表明校准良好且存在轻微的过度自信。边缘宇宙学后验得分为 $0.659 \pm 0.0139$ 。
- TARP： 通过“随机点准确度测试”（Tests of Accuracy with Random Points）确认，置信区间在参数空间内实现了正确的频率派覆盖。
效率： 生成单个联合后验样本仅需约 0.2 秒（256 个 ODE 步）。抽取 1,000 个样本约需 3 分钟，相比之下，运行 MCMC 链的计算成本显著更高（基准测试需要约 218 万次梯度评估）。

意义与主张
本文声称确立了基于扩散模型的隐式推断是实现全场级宇宙学分析的一条可行路径。其主要意义在于将质量图重建与宇宙学参数估计统一在一个单一的、非微分的框架内。

关于该方法优势的主要主张包括：

不需要可微前向模型： 与基于 MCMC 的场级推断不同，JADE 不需要前向模型的解析梯度，理论上只要有训练数据，就可以使用任意复杂的模拟器（例如完整的 N 体或流体动力学代码）。
摊销性： 模型只需训练一次，即可立即应用于任何新观测，避免了针对单次观测的采样过程。
联合推断： 这是首个展示了如何使用单一条件扩散模型来联合推断全后验 $p(\theta, \kappa | \gamma_{obs})$ 的方法，而不是通过边缘化场或分别推断参数。

局限性与未来工作
作者指出，目前的演示依赖于对数正态模拟，虽然比 N 体模拟更快，但物理完整性较低。将规模扩展到更真实的、昂贵的模拟器面临着宇宙学参数空间中训练集密度的挑战。此外，作为一个摊销方法，如果数据模型（例如观测掩模、噪声模型）发生变化，JADE 必须重新训练，这与可以在推理时进行调整的显式推断方法不同。作者提出未来的工作包括将该架构扩展到初始条件与宇宙学参数的联合推断，并探索潜在扩散（latent diffusion）方法以更高效地处理更高分辨率的场。