CosmoSIS

Estimación de parámetros cosmológicos con CosmoSIS

Favio Vázquez

Cosmólogo y Data Scientist

@faviovaz

https://github.com/faviovazquez

7 de abril 2017

Encuestas

Instalación

Instala Docker (paso uno de https://docs.docker.com/docker-for-mac/ para OSX) desde www.docker.com
Arranca Docker siguiendo las instrucciones del sitio. No hace falta leer los tutoriales.
Descarga esta herramienta corriendo:

Con el comando cd muévete al nuevo directorio de cosmosis-docker y corre:

git clone https://bitbucket.org/joezuntz/cosmosis-docker

sudo ./get-cosmosis-and-vm ./cosmosis

Instalación

Ya que la descarga y el proceso de instalación esté completo, corre:

Para obtener la versión de dasarrollo que tiene algunos bugs corregidos y los últimos updates corre el comando:

La primera vez que hagas todos estos pasos debes correr make

update-cosmosis --develop

sudo ./start-cosmosis-vm ./cosmosis

En el futuro solo hace falta que corras:

sudo ./start-cosmosis-vm ./cosmosis

Resumen

¿Qué es CosmoSIS?

Estimación de parámetros cosmológicos

Estructura de CosmoSIS

Ejemplos y demos

Retos en cosmología de precisión

Retos en cosmología de precisión

Muchos observables, correlacionados algunos:

CMB, lensing, clusters de galaxias,supernovas

Diferentes modelos teóricos:

Ajustes de curvas de supernovas, modelos de bias para galaxias

Diferentes parámetros y sistemática en cada modelo:

¿Cómo samplear sobre cada uno de ellos?

Posteriors y Likelihoods complicados, a veces multimodales:

La forma de samplear puede impactar en los resultados

Retos en cosmología de precisión

Grandes colaboraciones, de cientos de personas (DES, DESI, PLANCK, etc.):

¿Cómo rastrear contribuciones, asegurar reproducibilidad y consistencia?

¿Cómo usar la cantidad de códigos existentes, así como datos, sin pasarnos años intentando descifrarlos (a veces toda una maestría o doctorado)?

¿Cómo saber qué tipo de código usar, y que lenguaje de programación aprender para poder realizar una investigación?

¿Qué es?

CosmoSIS fue diseñado para intentar solucionar cada uno de estos problemas.

CosmoSIS es un código para la estimación de parámetros cosmológicos.

Es un framework para estructurar estimaciones a parámetros cosmológicos, en una manera que facilita la reusbilidad, depuración, verificabilidad y compartir código en la forma de módulos de cálculo.

COSMOlogy Survey Inference System

¿Qué es?

Consolida y conecta los códigos existentes para predecir observables cósmicos, y hace mucho más accesible el mapeo de likelihoods experimentales con un rango de diferentes técnicas.

Estimación de parámetros cosmológicos

\{A_s, n_s, H_0,\Omega_b, \Omega_m, \tau, ...\}

\{A_s, n_s, H_0,\Omega_b, \Omega_m, \tau, ...\}

Debido a la precisión de los experimentos actuales y futuros, muy rara vez podemos usar soluciones analíticas para predecir observables

Los cálculos cada vez se hacen más difíciles

Ej: Estudios de CMB requieren de códigos de Boltzman, como CAMB

Estimación de parámetros cosmológicos

Parámetos "Nuisance" (estorbo, molestia)

Necesarios para describir efectos físicos específicos de los datos, foregrounds y la sistemática de los instrumentos

Ej: El likelihood de Planck 2015 puede tener hasta 16 parámetros nuisance:

Wiki-Planck

Estimación de parámetros cosmológicos

Espacio de parámetros

La inferencia se hace en un espacio de parámetros multidimensional que puede ser altamente no gausiano.

Dado un modelo M, ¿cuál región del espacio de parámetros se ajusta a los datos?

Las probabilidades en este espacio son funciones de muchas variables

P(H_0,\Omega_b,\Omega_m,...)

P(H_0,\Omega_b,\Omega_m,...)

La intuición deja de servir mientras la dimensión aumenta

Estimación de parámetros cosmológicos

¿Cómo reportar un parámetro?

El mejor ajuste

Barras de error

H_0 = 78 \space \text{km/s/Mpc}

H_0 = 78 \space \text{km/s/Mpc}

H_0 = (78 \pm 6) \space \text{km/s/Mpc}

H_0 = (78 \pm 6) \space \text{km/s/Mpc}

H_0 =

H_0 =

Una medición verdadera de un parámetro es una función de probabilidad que muestra su función de distribución de probabilidad posterior

Comúnmente resume distribuciones usando solo la media y la variancia

La descripción solo es completa

cuando la distribución es gausiana

Teorema de Bayes

P(param|data,model) = \frac{L(data|param,model)P(param|model)}{P(data|model)}

P(param|data,model) = \frac{L(data|param,model)P(param|model)}{P(data|model)}

Distribución posterior para los parámetros (lo que queremos)

Evidencia (constante de normalización)

Likelihood: Debe determinarse esta función del modelo y los datos a partir de la física del problema

Prior: Información previa

Allen B. Downey

David Barber

Hobson, Liddle, et al.

Más información

Estimación de parámetros cosmológicos

Restringir parámetros cosmológicos dados unos datos

Paso 1: En un punto dado del espacio de parámetros genera una predicción

M(H_0,\Omega_b,\Omega_m,...)

M(H_0,\Omega_b,\Omega_m,...)

Paso 2: Computa una probabilidad para los datos dada esa predicción

Paso 3: Usa el teorema de Bayes para obtener el posterior dado un prior

Paso 4: El sampler propone el siguiente punto en el espacio de parámetros para evaluar el likelihood

Estructura

Pipeline: Secuencia de cálculos que computan la probabilidad conjunta a partir de una serie de parámetros

[pipeline]
modules = consistency camb halofit

Estructura

Modulo: Los "pipes" individuales en el pipeline. Cada uno realiza un paso separado el cálculo. Algunos hacen física, otros interpolación, y al final algunos general likelihoods

[camb]
file = cosmosis-standard-library/boltzmann/camb/camb.so
mode=all
lmax=2500
feedback=2

Muchos módulos vienen incluidos en la librería estándar de cosmoSIS y el usuario puede crear nuevos

Estructura

Módulos en la librería estándar

background

distances (2015) Output cosmological distance measures for dynamical dark energy

bias

clerkin (1) Compute galaxy bias as function of k, z for 3-parameter Clerkin et al 2014 model
constant_bias (1) Apply a galaxy bias constant with k and z.
no_bias (1) Generate galaxy power P(k) as though galaxies were unbiased DM tracers

intrinsic_alignments

linear_alignments (1.0) Compute the terms P_II and P_GI which go into intrinsic aligment calculations
ia_z_powerlap (1.0)

Estructura

Módulos en la librería estándar

boltzmann

camb (Jan15) Boltzmann and background integrator for BG, CMB, and matter power
camb (Nov13) Boltzmann and background integrator for BG, CMB, and matter power (Note some settings in this module may not be consistent with other modules e.g. the Planck likelihood. Camb 2015 is recommended in this case)
class (2.4.1) Boltzmann and background integrator for BG, CMB, matter power, and more
extrapolate (1.0) Simple log-linear extrapolation of P(k) to high k
Halofit (Camb-Oct-09) Compute non-linear matter power spectrum
Halofit_Takahashi (Camb-Nov-13) Compute non-linear matter power spectrum
isitgr-camb (1.1) Modified version of CAMB to implement phenomenological modified gravity models
mgcamb (Feb14) Modified Gravity Boltzmann and background integrator for BG, CMB, and matter power
sigma_r (1.0) Compute anisotropy dispersion sigma(R,z)

Estructura

Módulos en la librería estándar

likelihood

2pt (1) Generic 2-point measurement Gaussian likelihood
WiggleZBao (1401.0358v2) Compute the likelihood of the supplied expansion history against WiggleZ BAO data
BBN (PDG13) Simple prior on Omega_b h^2 from light element abundances
BICEP2 (20140314) Compute the likelihood of the supplied CMB power spectra
BOSS (1303.4486) Compute the likelihood of supplied fsigma8(z=0.57), H(z=0.57), D_a(z=0.57), omegamh2, bsigma8(z=0.57)
Extreme_Value_Statistics (1.0) PDF of the maximum cluster mass given cosmological parameters
Cluster_mass (1.0) Likelihood of z=1.59 Cluster mass from Santos et al. 2011
fgas (2014) Likelihood of galaxy cluster gas-mass fractions
JulloLikelihood (2012) Likelihood of Jullo et al (2012) measurements of a galaxy bias sample
planck (1.0) Likelihood function of CMB from Planck
planck2015 (2) Likelihood function of CMB from Planck 2015 data
planck2015_simple (2) Simplified Likelihood function of CMB from Planck 2015 TT TE EE data
Riess11 (2011) Likelihood of hubble parameter H0 from Riess et al supernova sample
shear_xi (1.0) Compute the likelihood of a tomographic shear correlation function data set
planck_sz (1.0) Prior on sigma_8 * Omega_M ** 0.3 from Planck SZ cluster counts
wmap (4.1) Likelihood function of CMB from WMAP
wmap (5) Likelihood function of CMB from WMAP
wmap_shift (1.0) Massively simplified WMAP9 likelihood reduced to just shift parameter

Estructura

Módulos en la librería estándar

mass_function
number_density
shear
strong lensing
structure
supernova
utility

60 módulos y muchos más en creación

Estructura

Value File: Archivo con los nombres y valores, o rangos de valores, para tus parámetros.

[cosmological_parameters]

;physical densities (better suited for CMB only likelihood)
ommh2 = 0.12 0.138 0.19 ;physical density fraction for matter today
ombh2 = 0.005 0.0191 0.03 ;physical density fraction for baryon today

h0 = 0.6  0.67  0.8

;inflation Parameters
n_s = 0.92 0.962  1.0  ;scalar spectral index
A_s = 2.0e-9 2.198e-9  2.3e-9 ;scalar spectrum primordial amplitude
k_s = 0.05  ;Power spectrum pivot scale

;reionization
tau = 0.08  ;reionization optical depth

;spatial curvature
omega_k = 0.0

;dark energy equation of state
w = -1.0 ;equation of state of dark energy
wa = 0.0 ;equation of state of dark energy (redshift dependency)

;inflation Parameters
n_run = 0.0 ;running of scalar spectrum

[planck]
a_planck = 1.0

Estructura

Sampler: Código que escoge un conjunto de parámetros y a partir de los cuales generará el likelihood. Coloca el valor inicial de cada parámetro en el datablock.

Estructura

Samplers en la librería estándar

Simple:

- test sampler Evaluate a single parameter set

- list sampler Re-run existing chain samples

Classic:

- metropolis sampler Classic Metropolis-Hastings sampling

- importance sampler Importance sampling

- fisher sampler Fisher Matrices

Max-Like:

- maxlike sampler Find the maximum likelihood using various methods in scipy

- gridmax sampler Naive grid maximum-posterior

Ensemble:

- emcee sampler Ensemble walker sampling

- kombine sampler Clustered KDE

- multinest sampler Nested sampling

- pmc sampler Adaptive Importance Sampling

Grid:

- grid sampler Regular posterior grid

- snake sampler Intelligent Grid exploration

Estructura

DataBlock: Mecanismo que usa cosmoSIS para pasar datos entre módulos. Para una serie de parámetros, todos los módulos reciben datos del DataBlock y sus salidas se escriben al mismo.

Estructura

Runtime: Capa de código que conecta todos los componentes antes mencionados, coordina la ejecución, y provee un sistema de salida que guarda resultados relevantes y la configuración.

[runtime]
sampler = metropolis

[metropolis]
covmat = covmat.txt
samples = 100000
Rconverge = 0.01
nsteps = 100

Compartir y obtener créditos

CosmoSIS no es un código monolítico, puedes crear diferentes módulos que la gente puede descargar de tu GitHub e incorporarlos en su pipeline

Si tu módulo es muy bueno comparado con lo que ya existe, puedes proponer que se agregue a la librería estándar de cosmoSIS, y cada vez que alguien lo use deberá citar tu artículo, tesis, etc.

Ejemplos

demos

Demo 1: Obtener funciones teóricas en cosmología estándar para una cosmología simple

Este demo calcula las distancias cosmológicas estándars, y el espectro de potencias de CMB y el de materia usando los parámetros cosmológicos dados en el archivo values1.ini

Ejemplos

demos

Demo 5: Hacer un análisis de MCMC en datos de supernovas

Este demo hará un análisis completo de MCMC en datos de SDSS-II/SNLS3 Joint Light-curve Analysis (JLA). En http://arxiv.org/abs/1401.4064 hay más información sobre los datos.

¿Preguntas? ¿Dudas?

Favio Vázquez

Cosmólogo y Data Scientist

@faviovaz

https://github.com/faviovazquez