Dark Energy Survey Year 3 results: Simulation-based wCDM inference from weak lensing and galaxy clustering maps with deep learning. I. Analysis design
A. Thomsen, J. Bucko, T. Kacprzak, V. Ajani, J. Fluri, A. Refregier, D. Anbajagane, F. J. Castander, A. Ferté, M. Gatti, N. Jeffrey, A. Alarcon, A. Amon, K. Bechtol, M. R. Becker, G. M. Bernstein, A. Campos, A. Carnero Rosell, C. Chang, R. Chen, A. Choi, M. Crocce, C. Davis, J. DeRose, et al.
使用深度学习的数据驱动方法正在成为从宇宙学大规模结构中提取非高斯信息的强大技术。 这项工作提出了第一个基于模拟的推理(SBI)管道,将弱透镜和星系聚类地图结合在逼真的暗能量调查第3年(DES Y3)配置中,并作为即将对调查数据进行分析的准备。 我们开发了一个基于CosmoGridV1 N-body模拟套件的可扩展的前进模型,在地图级别上生成超过一百万个自静模拟实现DES Y3。 利用这个大型数据集,我们在球形几何学的完整调查足迹上训练深度图卷积神经网络,以学习低维特征,这些特征与目标参数近似地最大化相互信息。 这些学习压缩使神经密度估计通过十维参数空间中的细化流来估计隐性可能性,这些参数空间跨越宇宙学wCDM,内在对齐和线性星系偏置参数,同时边缘化于重音,光度红移和剪切偏倚。 为了确保稳健性,我们使用来自我们前进模型中的系统污染和独立的Buzzard星系目录中的合成观测来广泛验证我们的推理管道。 我们的预测在宇宙学参数约束方面产生了显着的改进,相对于我们实施基线两点统计,并通过探针组合有效地打破参数退化,在平面上实现了2-3×更高的优点。 Ω_m - S_8 这些结果证明了SBI分析的潜力,为即将到来的Stage-IV宽场成像调查提供了深度学习。
Data-driven approaches using deep learning are emerging as powerful techniques to extract non-Gaussian information from cosmological large-scale structure. This work presents the first simulation-based inference (SBI) pipeline that combines weak lensing and galaxy clustering maps in a realistic Dark Energy Survey Year 3 (DES Y3) configuration and serves as preparation for a forthcoming analysis of the survey data. We develop a scalable forward model based on the CosmoGridV1 suite of N-body simul...