A precise symbolic emulator of the linear matter power spectrum

📄 arXiv: 2311.15865v2 📥 PDF

作者: Deaglan J. Bartlett, Lukas Kammerer, Gabriel Kronberger, Harry Desmond, Pedro G. Ferreira, Benjamin D. Wandelt, Bogdan Burlacu, David Alonso, Matteo Zennaro

分类: astro-ph.CO, astro-ph.IM, cs.LG, cs.NE

发布日期: 2023-11-27 (更新: 2024-04-15)

备注: 9 pages, 5 figures. Accepted for publication in A&A

期刊: A&A 686, A209 (2024)

DOI: 10.1051/0004-6361/202348811

💡 一句话要点

提出基于符号回归的线性物质功率谱精确模拟方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 物质功率谱 符号回归 宇宙学分析 遗传编程 解析近似 计算效率 深度学习替代

📋 核心要点

  1. 现有的物质功率谱计算方法在速度和准确性上存在不足，尤其是在现代宇宙学分析中。
  2. 本文提出了一种基于遗传编程的符号回归框架，通过学习低精度拟合函数与物理模型之间的关系来实现功率谱的高效模拟。
  3. 实验结果表明，所提方法在多个宇宙学参数下的线性功率谱近似具有极高的准确性和计算效率，显著优于现有方法。

📝 摘要（中文）

计算物质功率谱 $P(k)$ 作为宇宙学参数的函数在宇宙学分析中可能非常缓慢，因此模拟这一计算是非常必要的。现有的解析近似方法在现代应用中准确性不足，通常使用黑箱不可解释的模拟器。本文利用高效的基于遗传编程的符号回归框架，探索潜在的数学表达式以近似功率谱和 $σ_8$。我们学习了现有低精度拟合函数与通过解博尔兹曼方程获得的功率谱之间的比率，从而仍然融入了早期近似的物理动机。我们获得了线性功率谱的解析近似，其均方根相对误差在 $k = 9 imes10^{-3} - 9 \, h{ m \, Mpc^{-1}}$ 范围内仅为 0.2%。该近似比 camb 快 950 倍，比基于神经网络的模拟器 BACCO 快 36 倍。我们还提供了 $σ_8$ 的简单解析近似，其相对误差仅为 0.1%。

🔬 方法详解

问题定义：本文旨在解决在宇宙学分析中计算物质功率谱 $P(k)$ 的速度和准确性问题。现有的解析近似方法无法满足现代应用的需求，通常依赖于黑箱模型，缺乏可解释性。

核心思路：论文的核心思路是利用遗传编程的符号回归技术，探索能够准确近似功率谱的数学表达式，同时保留物理背景。通过学习低精度拟合函数与物理模型之间的比率，确保了近似的物理合理性。

技术框架：整体架构包括数据准备、符号回归模型的构建与训练、以及最终的解析表达式生成。主要模块包括遗传编程算法、误差评估和物理解释模块。

关键创新：最重要的技术创新在于通过符号回归获得可解释的解析近似，而非依赖于复杂的深度学习模型。这使得模型不仅高效且易于理解。

关键设计：在模型设计中，采用了特定的遗传编程参数设置，以优化表达式的生成过程。损失函数设计为均方根误差，以确保近似的准确性。

📊 实验亮点

实验结果显示，所提解析近似在 $k = 9 imes10^{-3} - 9 \, h{ m \, Mpc^{-1}}$ 范围内的均方根相对误差仅为 0.2%，并且计算速度比 camb 快 950 倍，比 BACCO 快 36 倍，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括宇宙学模拟、天文观测数据分析以及未来的宇宙学研究。通过提供高效且可解释的功率谱模拟工具，研究者可以更快速地进行数据分析和模型验证，推动宇宙学的进一步发展。

📄 摘要（原文）

Computing the matter power spectrum, $P(k)$, as a function of cosmological parameters can be prohibitively slow in cosmological analyses, hence emulating this calculation is desirable. Previous analytic approximations are insufficiently accurate for modern applications, so black-box, uninterpretable emulators are often used. We utilise an efficient genetic programming based symbolic regression framework to explore the space of potential mathematical expressions which can approximate the power spectrum and $σ_8$. We learn the ratio between an existing low-accuracy fitting function for $P(k)$ and that obtained by solving the Boltzmann equations and thus still incorporate the physics which motivated this earlier approximation. We obtain an analytic approximation to the linear power spectrum with a root mean squared fractional error of 0.2% between $k = 9\times10^{-3} - 9 \, h{\rm \, Mpc^{-1}}$ and across a wide range of cosmological parameters, and we provide physical interpretations for various terms in the expression. Our analytic approximation is 950 times faster to evaluate than camb and 36 times faster than the neural network based matter power spectrum emulator BACCO. We also provide a simple analytic approximation for $σ_8$ with a similar accuracy, with a root mean squared fractional error of just 0.1% when evaluated across the same range of cosmologies. This function is easily invertible to obtain $A_{\rm s}$ as a function of $σ_8$ and the other cosmological parameters, if preferred. It is possible to obtain symbolic approximations to a seemingly complex function at a precision required for current and future cosmological analyses without resorting to deep-learning techniques, thus avoiding their black-box nature and large number of parameters. Our emulator will be usable long after the codes on which numerical approximations are built become outdated.