Setembro 2022 vol. 8 num. 1 - As Astrocientistas - I Encontro Brasileiro de Meninas e Mulheres da Astrofísica, Gravitação e Cosmologia

Artigo completo - Open Access.

Idioma principal | Segundo idioma

Primeiros passos na obtenção de parâmetros cosmológicos utilizando matrizes de covariância cosmológicas sem ruído

First steps in obtaining cosmological parameters using noiseless cosmological covariance matrices

Santi, Natalí Soler Matubaro de ; Abramo, Luis Raul Weber ;

Artigo completo:

Matrizes de covariância são uma das peças mais importantes na análise de dados em Cosmologia: elas não apenas representam o entendimento sobre a natureza das incertezas, mas refletem a propagação dos erros estatísticos e dependem das suposições, devido aos modelos teóricos utilizados, para reduzir os dados. Para representar os verdadeiros erros estatísticos, muitos dados são necessários para construir essas matrizes, ou seja, centenas de milhares de observações ou simulações caríssimas, algo que nem sempre possui obtenção viável. Para resolver esse problema, foi proposto o uso de técnicas de aprendizado de máquina, com uma pipeline completa para tal. Foi implementada uma simulação de um campo Gaussiano com três parâmetros. Então, o espectro de potências linear foi calculado para cada mapa produzido e centenas de matrizes de covariância, usando diferentes números de espectros, foram calculadas. As matrizes foram utilizadas como dados de entrada em uma rede neural convolucional para remover o ruído daquelas criadas com poucos dados. Por fim, as matrizes de covariância limpas obtidas foram utilizadas para recuperar os parâmetros da simulação, utilizando algoritmos de Monte Carlo acoplados a cadeias de Markov (MCMC). Os resultados mostraram que essa técnica é capaz de produzir boas matrizes de covariância, mesmo com poucos dados de entrada, diminuindo muito os erros dos parâmetros cosmológicos obtidos.

Artigo completo:

Covariance matrices are one of the most important pieces of data analysis in Cosmology: they not only represent the understanding of the nature of uncertainties, but reflect the propagation of statistical errors and depend on the assumptions, due to the theoretical models used, to reduce the data. . To represent the true statistical errors, a lot of data are needed to build these matrices, that is, hundreds of thousands of observations or very expensive simulations, something that is not always feasible to obtain. To solve this problem, the use of machine learning techniques was proposed, with a complete pipeline for such. A simulation of a Gaussian field with three parameters was implemented. Then, the linear power spectrum was calculated for each map produced and hundreds of covariance matrices, using different numbers of spectra, were calculated. The matrices were used as input data in a convolutional neural network to remove noise from those created with little data. Finally, the obtained clean covariance matrices were used to recover the simulation parameters, using Monte Carlo algorithms coupled to Markov chains (MCMC). The results showed that this technique is capable of producing good covariance matrices, even with few input data, greatly reducing the errors of the cosmological parameters obtained.

Download (PDF)

Palavras-chave: matrizes de covariância, aprendizado de máquina, obtenção de parâmetros,

Palavras-chave: covariance matrices, machine learning, getting parameters,

DOI: 10.5151/astrocientistas2021-11

Referências bibliográficas
  • [1] " The Dark Energy Survey Collaboration. The Dark Energy Survey. arXiv e-prints, pages astro–ph/0510346, October 2005.
  • [2] N. Benitez, R. Dupke, M. Moles, and et. al. J-PAS: The Javalambre-Physics of the Accelerated Universe Astrophysical Survey. arXiv e-prints, page arXiv:1403.5237, March 2014.
  • [3] Masahiro Takada, Richard S. Ellis, and Masashi et. al. Chiba. Extragalactic science, cosmology, and Galactic archaeology with the Subaru Prime Focus Spectrograph. pasj, (1):R1, February 2014.
  • [4] DESI Collaboration, Amir Aghamousa, Jessica Aguilar, Steve Ahlen, and et. al. The DESI Experiment Part I: Sci-ence,Targeting, and Survey Design. arXiv e-prints, page arXiv:1611.00036, October 2016.
  • [5] A. F. Heavens, E. Sellentin, D. de Mijolla, and A. Vianello. Massive data compression for parameter-dependent covariance matrices. mnras, 472(4):4244–4250, December 2017.
  • [6] Scott Dodelson and Michael D. Schneider. The effect of covariance estimator error on cosmological parameter constraints. Phys. Rev. D, 88:063537, Sep 2013.
  • [7] Oliver H. E. Philcox, Mikhail M. Ivanov, Matias Zaldarriaga, Marko Simonovic, and Marcel Schmittfull. Fewer mocks and less noise: Reducing the dimensionality of cosmological observables with subspace projections. Phys. Rev. D, 103:043508, Feb 2021.
  • [8] Darsh Kodwani, David Alonso, and Pedro Ferreira. The effect on cosmological parameter estimation of a parameter dependent covariance matrix. The Open Journal of Astrophysics, 2(1):3, March 2019.
  • [9] Linda Blot, Martin Crocce, Emiliano Sefusatti, Martha Lippich, Ariel G. Sánchez, Manuel Colavincenzo, Pierluigi Monaco, Marcelo A. Alvarez, and et. al. Comparing approximate methods for mock catalogues and covariance matrices II: power spectrum multipoles. MNRAS, 485(2):2806–2824, May 201
  • [10] S. Saha. A comprehensive guide to convolutional neural networks - the eli5 way, 2020.
  • [11] F. Chollet. Deep Learning with Python. Manning Publications Company, 2017.
  • [12] François Chollet. keras. https://github.com/fchollet/keras, 2015.
  • [13] Guido Van Rossum and Fred L. Drake. Python 3 Reference Manual. CreateSpace, Scotts Valley, CA, 2009.
  • [14] Ž. Ivezic, A.J. Connolly, J.T. VanderPlas, and A. Gray. ́ Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data. Princeton Series in Modern Observational Astronomy. Princeton University Press, 20
  • [15] Linda Blot, Martin Crocce, Emiliano Sefusatti, Martha Lippich, Ariel G. Sánchez, Manuel Colavincenzo, Pierluigi Monaco, Marcelo A. Alvarez, Aniket Agrawal, Santiago Avila, Andrés Balaguera-Antolínez, Richard Bond, Sandrine Codis, Claudio Dalla Vecchia, Antonio Dorta, Pablo Fosalba, Albert Izard, Francisco-Shu Kitaura, Marcos Pellejero-Ibanez, George Stein, Mohammadjavad Vakili, and Gustavo Yepes. Comparing approximate method s for mock catalogues and covariance matrices II: power spectrum multipoles. MNRAS, 485(2):2806–2824, May 2019."
Como citar:

Santi, Natalí Soler Matubaro de; Abramo, Luis Raul Weber; "Primeiros passos na obtenção de parâmetros cosmológicos utilizando matrizes de covariância cosmológicas sem ruído", p. 93-101 . In: Anais do I Encontro Brasileiro de Meninas e Mulheres da Astrofísica, Gravitação e Cosmologia - As Astrocientistas. São Paulo: Blucher, 2022.
ISSN 2358-2359, DOI 10.5151/astrocientistas2021-11

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações