IAEmu: Learning Galaxy Intrinsic Alignment Correlations

要約

弱いレンズ分析の重要な汚染物質である銀河の固有のアラインメント（IA）は、潮の相互作用と銀河形成プロセスによって駆動される銀河形状の相関から生じます。
正確なIAモデリングは、堅牢な宇宙論的推論には不可欠ですが、現在のアプローチは、非線形スケールまたは高価なシミュレーションで分解する摂動方法に依存しています。
Galaxy Position-Position（$ \ xi $）、位置指向（$ \ omega $）、および方向指向（$ \ eta $）の相関関数とHaloの職業分布（HAD）のモックカタログ（HOD）フレームワークに基づいたMOCKカタログを使用した不確実性を予測するニューラルネットワークベースのエミュレータであるIAEMUを紹介します。
シミュレーションと比較して、IAEMUは、$ \ xi $で約3％、$ \ omega $で約5％を達成し、過剰留置せずに$ \ eta $の確率をキャプチャします。
エミュレータは、アレアトリックと認識論の両方の不確実性を提供し、予測の信頼性が低い地域を特定するのに役立ちます。
また、IllustristNg流分力学シミュレーションデータに適合することにより、非HODアライメント信号への一般化を示します。
完全に微分可能なニューラルネットワークとして、IAEMUは、CPUベースのシミュレーションと比較して、GPUの相関関数へのマッピングHODパラメーターで$ \ sim $ 10,000 $ $ \ times $速度を有効にします。
この加速により、グラデーションベースのサンプリングを介して逆モデリングが促進され、IAEMUがGalaxyバイアスおよびIA研究を伴うIVの弱いレンズ調査のIA研究の強力な代理モデルになります。

要約(オリジナル)

The intrinsic alignments (IA) of galaxies, a key contaminant in weak lensing analyses, arise from correlations in galaxy shapes driven by tidal interactions and galaxy formation processes. Accurate IA modeling is essential for robust cosmological inference, but current approaches rely on perturbative methods that break down on nonlinear scales or on expensive simulations. We introduce IAEmu, a neural network-based emulator that predicts the galaxy position-position ($\xi$), position-orientation ($\omega$), and orientation-orientation ($\eta$) correlation functions and their uncertainties using mock catalogs based on the halo occupation distribution (HOD) framework. Compared to simulations, IAEmu achieves ~3% average error for $\xi$ and ~5% for $\omega$, while capturing the stochasticity of $\eta$ without overfitting. The emulator provides both aleatoric and epistemic uncertainties, helping identify regions where predictions may be less reliable. We also demonstrate generalization to non-HOD alignment signals by fitting to IllustrisTNG hydrodynamical simulation data. As a fully differentiable neural network, IAEmu enables $\sim$10,000$\times$ speed-ups in mapping HOD parameters to correlation functions on GPUs, compared to CPU-based simulations. This acceleration facilitates inverse modeling via gradient-based sampling, making IAEmu a powerful surrogate model for galaxy bias and IA studies with direct applications to Stage IV weak lensing surveys.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google