宇宙图：利用星表从大尺度结构中提取最优信息

我们提出了一种隐式似然方法，用于量化在离散星表数据（组装为图）上的宇宙学信息。为此，我们利用模拟暗物质晕星表探索宇宙学参数约束。我们采用信息最大化神经网络（IMNNs）来量化作为图表示函数的 Fisher 信息提取。我们 a) 证明了在无噪声极限下模图结构对底层宇宙学的高度敏感性，b) 表明图神经网络摘要通过与传统统计量比较自动结合了质量与成团信息，c) 证明当星表受到含噪巡天截断影响时网络仍能提取信息，以及 d) 阐明了非线性 IMNN 摘要如何用作贝叶斯基于模拟的推断中的渐近最优压缩统计量。我们利用小型（约 100 个对象）晕星表将 $\Omega_m, \sigma_8$ 联合参数约束的面积相比两点相关函数减小了 42 倍，并证明网络自动结合了质量与成团信息。本工作利用了 Jax 中一种新的基于图数据的 IMNN 实现，其可利用数值或自动可微性。我们还表明图 IMNN 成功地将模拟压缩到网络拟合所用的基准模型之外，表明其作为星表基于模拟的分析中 n 点统计量的一个有前景的替代方案。