FAIR Universe 弱レンズML不確実性チャレンジ：不確実性と分布シフトへの対応による精密宇宙論

抽象: 弱い重力レンズ効果（背景銀河の形状が前景の構造によって相関して歪められる現象）は、宇宙における物質分布を調べる強力な手段であり、宇宙論モデルに対して正確な制約を可能にします。近年では、高次統計量や機械学習（ML）手法が弱いレンズ効果データに適用され、従来の2点解析を超える非線形情報の抽出が行われています。しかし、これらの手法は通常、宇宙論シミュレーションに依存しており、いくつかの課題があります。すなわち、シミュレーションは計算コストが高いため、多くの現実的な設定が低い学習データ領域に制限されてしまうこと、不正確なシミュレーションにおける系統誤差のモデリングが分布シフトを生み、宇宙論パラメータの制約にバイアスを与えうること、さらに研究ごとにシミュレーション設定が異なるため、手法の比較が困難になることです。これらの困難に対処するために、いくつかの現実的な系統誤差を備えた初の弱いレンズ効果ベンチマークデータセットを提示し、FAIR Universe Weak Lensing Machine Learning Uncertainty Challenge（FAIR宇宙弱いレンズ効果機械学習不確実性チャレンジ）を立ち上げます。このチャレンジは、限られた学習データセットと潜在的な分布シフトのもとで、弱いレンズ効果データから宇宙の基本的な性質を測定することに焦点を当てつつ、手法間の厳密な比較のための標準化されたベンチマークを提供します。2つのフェーズで構成されるこのチャレンジにより、物理とMLのコミュニティが集まり、弱いレンズ効果解析における機械学習を用いた系統的不確実性、データ効率、分布シフトの取り扱いに関する手法を前進させ、最終的には、今後の弱いレンズ効果サーベイ解析にMLアプローチを展開することを促進します。