利用SBI学习星系目录的最优且可解释的汇总统计量

我们能从现有和即将开展的大尺度结构观测中可靠地提取多少宇宙学信息？与现有和即将开展的测量相比，许多汇总统计量在描述晚期宇宙的非高斯性质方面显得不足。在本文中，我们证明了我们可以识别最优汇总统计量，并且可以将它们与现有的汇总统计量联系起来。使用带有自动数据压缩的基于模拟的推断（SBI），我们在宇宙学参数估计的背景下学习了星系目录的汇总统计量。根据构造，这些汇总统计量不要求写出显式似然函数的能力。我们证明它们可以用于高效的参数推断。这些汇总统计量为分析不同重子物理模拟模型及其对最终宇宙学特征的相关性提供了一条新途径。学习到的汇总统计量是低维的，包含底层模拟参数，并且在不同网络架构之间是相似的。为了联系我们的模型，我们识别了与汇总统计量相关的尺度（例如在$k= 5 - 30 h/\mathrm{Mpc}$的模数范围内），并且我们能够在各种模拟模型中将汇总统计量与底层模拟参数相匹配。