🔭 astrophysics

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

本研究表明，与由于模拟误差和非高斯似然函数而导致严重失准和信息损失的显式似然推断（ELI）相比，无似然推断（LFI）为弱引力透镜宇宙剪切分析提供了一个更稳健且校准良好的框架。

原作者： Simone Vinciguerra, Nicolas Martinet, Marco Gatti

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Simone Vinciguerra, Nicolas Martinet, Marco Gatti

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

技术摘要：弱引力透镜宇宙剪切中显式似然与无似然模拟推断的比较

问题陈述
第四阶段（Stage-IV）弱引力透向（WL）巡天（如 Euclid 和 LSST）旨在从非高斯可观测物理量中提取精确的宇宙学参数（特别是 $\Omega_m$ 和 $S_8$ ）。目前的分析主要依赖于二点统计量（剪切二点相关函数，shear-2PCFs）结合高斯似然近似，这种方法压缩了引力透镜场，且无法充分捕捉非线性物质演化的信息。随着总结统计量变得更加信息化和非线性，高斯似然假设变得越来越不合理，可能导致约束产生偏差。相反，无似然推断（LFI）提供了一种通过神经密度估计器（NDEs）直接从模拟中学习似然的方法，从而绕过了显式的似然建模。然而，在相同的模拟集上，使用匹配的可观测物理量和压缩策略对显式似然推断（ELI）与 LFI 进行系统性比较的研究仍较少见。本研究旨在填补这一空白，即探讨两者之间的差异究竟源于统计假设、数值实现，还是总结统计量的信息含量。

方法论
作者利用了通过 GLASS 框架生成的类 Euclid 模拟套件，该套件生成了具有代表 Euclid 第三次数据发布（DR3）形状噪声注入的全天高斯剪切图。分析侧重于一个单红移分量（延伸至 $z_{max}=3$ ）的非层状配置。

数据生成与压缩：
- 模拟： 使用拉丁超立方采样（LHS）来改变 $\Omega_m$ 和 $\sigma_8$ 。生成了两组独立的 5,100 个宇宙学节点：一组用于深度学习训练（LHS0），另一组用于模拟器训练和 LFI 分析（LHS1）。
- 总结统计量： 在平坦天空切片上测量了两种探测器：
  - 剪切二点相关函数（ $\xi_\pm$ ），一种高斯探测器。
  - 使用 ResNet-18 架构的图级卷积神经网络（CNN）统计量，一种非线性探测器。
- 压缩： 将高维数据向量（DVs）压缩至参数空间维度（ $n_p=2$ $n_{p} = 2$ ），采用了两种方法：
  - MOPED： 一种利用数值导数和协方差矩阵的线性、Fisher 最优压缩方法。
  - 神经网络（NN）压缩： 一种训练用于将 DVs 映射到参数的非线性多层感知器（MLP）。
推断框架：
- 显式似然推断 (ELI)： 采用高斯过程（GP）模拟器来预测压缩统计量的平均信号。假设似然为多元高斯分布，并利用 GP 预测值和估计的协方差矩阵进行构建。通过 MCMC 进行后验采样。
- 无似然推断 (LFI)： 使用神经密度估计器（NDEs）直接从模拟对中学习似然或后验，研究对比了使用神经样条流（NSF）、掩码自回归流（MAF）和混合密度网络（MDN）等架构的神经似然估计（NLE）和神经后验估计（NPE）。
验证：
- 研究采用了后验校准诊断，特别是通过随机点准确性测试（TARP）来评估推断后验的可靠性。
- 使用 Kolmogorov–Smirnov (KS) 检验和全局 $\chi^2$ 拟合优度检验来测试压缩总结统计量的高斯性。

关键结果

校准差异： 在存在模拟误差或似然呈非高斯分布的情况下，ELI 会出现严重的失校准。相比之下，LFI 在所有测试场景下均保持一致良好的校准度。
压缩的影响： 压缩方案的选择显著影响 ELI 的性能。虽然 MOPED 压缩的剪切-2PCFs 接近高斯分布，但 NN 压缩的总结统计量表现出强烈的非高斯性。因此，由于 ELI 中高斯似然假设的失效，其对 $\Omega_m$ 和 $S_8$ 的约束可能与使用 CNN 统计量推断的结果相差高达两倍。
LFI 的鲁棒性： 当解决了模拟误差和似然非高斯性的问题后，ELI 与 LFI 之间的分歧基本消失。对于 LFI，由剪切-2PCFs 和 CNN 统计量导出的约束之间的差异减小到约 30%，凸显了深度学习探测器的鲁棒性。
高斯性检验： 研究表明，尽管全局 $\chi^2$ 检验可能通过某些压缩总结统计量，但逐分量的边缘 KS 检验可以揭示显著的非高斯性（例如，在 NN 压缩的剪切-2PCFs 中），这足以使 ELI 所使用的高斯似然假设失效。

意义与主张
作者得出结论，在本文特定的设置中（忽略了系统偏差），与传统的 ELI 相比，LFI 提供了一个更稳健、校准度更好的框架，用于从弱引力透镜巡天中提取宇宙学信息。论文强调，准确的非高斯似然建模和严格的后验校准诊断对于未来的 ELI 分析至关重要。这些结果强调了结合深度学习探测器（如 CNN）与无似然方法，在不依赖可能存在缺陷的高斯近似的情况下，捕捉超越二点水平的复杂信息的潜力。该研究为未来第四阶段 WL 巡天中应用 ELI 和 LFI 提供了验证框架并提供了指导。

类似论文