LSST 3x2pt分析的机器学习——利用神经网络预测系统误差对宇宙学约束的影响
宇宙学与河外天体物理
2024-03-19 v1
摘要
在为 Vera Rubin Observatory 的时空遗产巡天 (LSST) 等 Stage-IV 巡天进行 3x2 分析的准备过程中，通过模拟分析验证建模选择并量化不同系统效应的影响，将构成主要的计算瓶颈。我们可以通过使用基于机器学习的模拟器来显著降低计算需求，这使得我们能够在保持数据分析流程完全真实性的同时进行快速推断。在本文中，我们使用这样的模拟器对模拟的 LSST-Y1/Y3/Y6/Y10 巡天进行 3x2（宇宙剪切、星系-星系弱引力透镜和星系成团）分析，并研究各种系统效应（星系偏差、内禀对齐、重子物理、剪切校准和 photo- 不确定性）的影响。我们严格遵循 DESC 科学需求文档（包含若干更新），主要发现如下：{\it a)} 星系偏差不确定性对 LSST 3x2 分析的“系统误差预算”贡献最大，而重子物理和剪切校准不确定性的贡献明显次要。{\it b)} 对内禀对齐和 photo- 参数的更紧约束可以显著改善宇宙学约束，这展示了 LSST 与光谱巡天的协同效应。{\it c)} DESC SRD 中采用的尺度截断可能过于保守，推向更小尺度可以显著增加宇宙学信息。{\it d)} 我们研究了 photo- 离群点对 3x2 pt 分析的影响，发现需要将离群点比例确定在 的精度内，以确保稳健的宇宙学分析。我们提醒，这些发现取决于分析选择（参数化、先验、尺度截断），并且在不同设置下可能会发生变化。
引用
@article{arxiv.2403.11797,
title = {Machine Learning LSST 3x2pt analyses -- forecasting the impact of systematics on cosmological constraints using neural networks},
author = {Supranta S. Boruah and Tim Eifler and Vivian Miranda and Elyas Farah and Jay Motka and Elisabeth Krause and Xiao Fang and Paul Rogozenski and The LSST Dark Energy Science Collaboration},
journal= {arXiv preprint arXiv:2403.11797},
year = {2024}
}
备注
16 pages, 10 Figures, To be submitted to PRD. Comments welcome