Uncovering Physical Drivers of Dark Matter Halo Structures with Auxiliary-Variable-Guided Generative Models

Motivation

• Known: Deep generative models (DGMs)는 고차원 데이터를 압축하지만 종종 서로 다른 물리적 인자를 잠재 공간에 얽혀있게 학습한다. VAE와 같은 기존 모델들은 tSZ 맵의 세부 구조를 과도하게 평활화하는 경향이 있다.
• Gap: 기존 unsupervised disentanglement 방법들(β-VAE, FactorVAE, DIP-VAE)은 부분적으로 알려진 물리적 공변수를 활용하지 않으며, conditional flow matching에 auxiliary guidance를 통합한 접근법이 부재하다.
• Why: 천문학 데이터에서 물리적으로 의미 있는 해석 가능한 표현을 얻으면 민감도 분석, 이상 탐지, 우주론 모델 검증이 가능해지며, 고해상도 모의 데이터 생성이 용이해진다.
• Approach: VAE 인코더에 auxiliary alignment 정규화항을 추가하여 선택된 잠재 좌표를 물리적 변수(질량, 농도)에 정렬시키고, 이를 conditional flow matching 기반 생성기의 구조화된 bottleneck으로 사용하여 고해상도 tSZ 맵을 생성한다.

Achievement

Figure 2: Traversals along guided latents (zaux)

• Flow matching에서의 disentanglement: AuxVAE의 auxiliary guidance 개념을 LCFM으로 확장하여 최초로 disentangled control을 CFM에서 구현하면서 생성 품질 저하 없음
• tSZ 맵 생성 및 제어: DL-CFM이 질량과 농도를 따라 해석 가능하게 제어 가능한 현실적인 tSZ 맵을 생성하며 guided traversal로 targeted synthesis 가능
• 물리적 검증: 학습된 잠재 공간이 확립된 질량-농도 스케일링 관계를 복구하고 비정상적인 헤일로 형성 이력을 나타내는 이상치 탐지 가능

How

Figure 3: Generating samples from the center (top) and tail (bottom) of the reconstruction-focused

• 보조 선행분포 p(z|u) = N(µ₀(u), Σ₀)를 정의하여 auxiliary-informed 좌표를 u에 소프트하게 고정
• Loss function L_DL-CFM에 conditional flow matching loss, conditional prior match KL항, explicitness (Align), intra-independence (Decorr among guided), inter-independence (Decorr with residual) 정규화항 포함
• Align과 Decorr를 minibatch 통계 기반의 경량 상관계수 페널티로 구현하여 추가 네트워크 없이 스칼라 하이퍼파라미터 (β, λ₁, λ₂, τ²)만으로 제어
• VAE 인코더로 저차원 코드 z 추론 후 CFM 기반 생성기를 z에 조건화하여 고해상도 tSZ 맵 생성

Originality

• 기존 AuxVAE 개념을 flow matching 프레임워크로 확장한 첫 시도로서 disentangled latent space와 고충실도 생성 모델을 동시에 달성
• Auxiliary variables를 explicit하게 활용하면서도 residual 변동성 캡처 자유도를 유지하는 이중 분할 잠재 공간 구조 설계
• 천문학 데이터의 물리적 메타데이터(질량, 농도)를 생성 모델 학습 과정에 직접 통합하여 과학적 해석성 향상

Limitation & Further Study

• 평가가 시뮬레이션 데이터셋에만 국한되며, 실제 관측 데이터(CMB 맵)에 대한 검증 부재
• Sinkhorn 거리에서 ICFM 대비 약간의 성능 저하 보임 (4564 vs 4819)
• Auxiliary 변수가 물리적으로 정확하게 계산되어야 하며, 측정 오류의 영향에 대한 분석 부재
• 확장성: 3개 이상의 auxiliary 변수나 비연속 카테고리 변수에 대한 적용 가능성 미검증
• 후속 연구: 실관측 CMB 데이터 적용, 불확실성 정량화 통합, 다양한 물리 시뮬레이션(예: 자기유체역학) 확장

Evaluation

총평: Auxiliary-guided disentanglement을 conditional flow matching에 처음 통합한 창의적인 방법으로, 암흑물질 헤일로 물리학에 대한 해석 가능한 제어와 고해상도 생성을 동시에 달성한다. 시뮬레이션 검증이 충분하고 과학적 응용 가치가 높으나 실관측 데이터 적용과 추가 물리 모델에 대한 확장이 필요하다.