グラフフローによるベイズ的な宇宙ボイド探索

Abstract

宇宙のボイド（空洞）は高次の宇宙論的情報を含み、天体素粒子物理にとって関心の対象となっています。しかし、疎な銀河サーベイにおいて真の物質の過少密度を見いだすことは、取り得る解が多く制約の弱い問題です。従来のボイド探索アルゴリズムは決定論的なボイドカタログを生成し、この問題の確率的な性質を無視しています。私たちは、銀河カタログから任意のボイド定義への確率的写像をサンプリングする方法を提示します。提案手法では、フローマッチング（flow-matching）目的に従って「テスト粒子」を進化させるために、深いグラフニューラルネットワークを用います。簡略化した例の設定でこの方法を実証しますが、実用的なボイドファインダへと一般化するための手順も概説します。決定論的な教師で学習したモデルは良好に機能しますが、かなりの確率性（stochasticity）を示し、これを正則化（regularization）として解釈します。予測されたボイドカタログに含まれる宇宙論的情報は、教師を上回ります。一方で、私たちの方法は、見かけ上有用な正則化を伴って、既存のボイドファインダを安価に模倣できます。さらに重要なのは、観測された銀河から任意のボイド定義へのベイズ最適な写像を見いだせることです。これは、シミュレーションされた物質密度および速度場のレベルで作動する定義も含みます。