Inferencia bayesiana de parámetros del campo magnético primordial a partir del CMB con redes neuronales de grafos esféricos

Abstract

El deep learning ha surgido como una metodología transformadora en la cosmología moderna, proporcionando herramientas poderosas para extraer información física significativa a partir de conjuntos de datos astronómicos complejos. En este trabajo se implementa un novedoso marco bayesiano de graph deep learning para la estimación de parámetros cosmológicos clave en un escenario de campos magnéticos primordiales (PMF), directamente a partir de mapas simulados del Fondo Cósmico de Microondas (CMB). Nuestra metodología utiliza DeepSphere, una arquitectura de redes neuronales convolucionales esféricas diseñada específicamente para respetar la geometría esférica de los datos del CMB mediante la pixelización HEALPix. Para ir más allá de estimaciones deterministas puntuales y permitir una cuantificación robusta de las incertidumbres, integramos Redes Neuronales Bayesianas (BNNs) en el marco propuesto, capturando tanto incertidumbres aleatorias (aleatoric) como epistémicas (epistemic), las cuales reflejan la confianza del modelo en sus predicciones. El enfoque propuesto demuestra un rendimiento excepcional, alcanzando valores de R^2 superiores a 0.89 en la estimación de los parámetros magnéticos. Además, obtenemos estimaciones de incertidumbre bien calibradas mediante técnicas de entrenamiento post-hoc, incluyendo Variance Scaling y GPNormal. Este marco integrado DeepSphere–BNNs no solo ofrece una estimación precisa de parámetros a partir de mapas del CMB con contribuciones de PMF, sino que también proporciona una cuantificación de incertidumbres fiable, aportando así las herramientas necesarias para una inferencia cosmológica robusta en la era de la cosmología de precisión.