We have developed a machine learning algorithm capable of detecting ``out-of-domain data'' for trustworthy cosmological inference. By using data from two separate suites of cosmological simulations, we show that our algorithm is able to determine whether ``observed'' data is consistent with its training domain, returning confidence estimates as well as accurate parameter estimations. We apply our algorithm to two-dimensional images of galaxy clusters from the BAHAMAS-SIDM and DARKSKIES simulations with the aim to measure the self-interaction cross-section of dark matter. Through deep compact clustering we construct an informative latent space where galaxy clusters are mapped to the latent space forming ``latent-clusters'' for each simulation, with the location of the latent-cluster corresponding to the macroscopic parameters, such as the cross-section, $σ_{\rm DM}/m$. We then pass through mock observations, where the location of the observed latent-cluster informs us of which properties are shared with the training data. If the observed latent-cluster shares no similarities with latent-clusters from the known simulations, we can conclude that our simulations do not represent the observations and discard any parameter estimations, thus providing us with a method to measure machine learning confidence. This method serves as a blueprint for transparent and robust inference that is in demand in scientific machine learning.
The clustering of the SDSS-IV extended Baryon Oscillation Spectroscopic Survey DR14 quasar sample: measuring the evolution of the growth rate using redshift space distortions between redshift 0.8 and 2.2
The Clustering of Galaxies in the SDSS-III Baryon Oscillation Spectroscopic Survey (BOSS): measuring growth rate and geometry with anisotropic clustering
Mapping the Real Space Distributions of Galaxies in SDSS DR7: II. Measuring the growth rate, clustering amplitude of matter and biases of galaxies at redshift $0.1$
我们扩展了实空间映射方法在施等。（2016），以便它可以应用于通量有限的星系样本。我们使用模拟目录的合奏来证明这种扩展的可靠性，表明它允许一个准确的恢复真实空间的相关函数和星系偏差。我们还表明，使用迭代方法适用于中等规模的聚类数据，我们可以得到一个无偏估计的增长率的结构$fσ_8$，这是有关的聚类幅度的问题，$\sim 10\%$的准确性。应用这种方法的斯隆数字巡天（SDSS）数据发布7（DR 7），我们构建了一个真实的空间星系目录，涵盖红移范围$0.01 \leq z \leq 0.2$，其中包含584,473星系在北银河帽（NGC）。使用这些数据，我们推断$\fss$在中位红移$z=0.1$，这是一致的WMAP 9宇宙学在$1σ$水平。通过将这种测量与真实空间的星系团和星系-星系弱透镜测量相结合，我们能够打破$f$，$σ_8$和$b$之间的简并性。仅从SDSS DR 7数据，我们得到了下列宇宙学约束在红移$z=0.1$：$f=$ $0.464^{+0.040}_{-0.040}$，$σ_8=0.769^{+0.121}_{-0.089}$，和$b=1.910^{+0.234}_{-0.268}$，$1.449^{+0.194}_{-0.196}$，$1.301^{+0.170}_{-0.177}$和$1.196^{+0.159}_{-0.161}~$的星系在不同的绝对星等箱$^…
Measuring Baryon Acoustic Oscillations from the clustering of voids
我们调查必要的方法来最佳测量的重子声学振荡（BAO）信号，从星系红移目录的基础上的空隙。为此，我们研究的依赖性的BAO信号的人口的空隙按其大小分类。我们第一次发现的关联函数的空洞，包括第一个强大的检测模拟星系目录中的BAO的特性。这些示出了在对应于样品中的空隙的最小尺寸的尺度周围的反相关性（空隙排除效应），以及在BAO峰的两侧的下降，其可以用于确定BAO信号的显著性而无需任何先验模型。此外，我们的分析表明，有一个规模依赖于偏见的不同人口的空隙取决于半径，具有特殊的属性，即具有最大的BAO意义的空隙人口对应于示踪剂的最大规模上的偏差约为零。我们进一步研究的方法上的一个额外的一套1,000现实模拟星系目录复制SDSS-III/BOSS CMASS DR 11数据，以控制天空遮罩和径向选择功能的影响。我们的解决方案是基于从随机生成的空洞，包括相同的测量几何形状和完整性，以及在孔和测量边界处的后处理清洁程序。在这项工作中验证的空隙人口的方法和最佳选择已被用来执行第一个BAO检测从观察中的空隙，在配套文件。
The clustering of galaxies in the SDSS-III Baryon Oscillation Spectroscopic Survey: Measuring D_A and H at z=0.57 from the Baryon Acoustic Peak in the Data Release 9 Spectroscopic Galaxy Sample
The clustering of the SDSS-IV extended Baryon Oscillation Spectroscopic Survey DR14 quasar sample: Measuring the anisotropic Baryon Acoustic Oscillations with redshift weights
Measuring Galaxy Clustering and the Evolution of [CII] Mean Intensity with far-IR Line Intensity Mapping During 0.5 < z < 1.5
痕量金属的红外精细结构发射线是对星系中星际介质的有力诊断。我们探索了利用成像光谱仪获得的三维功率谱研究红移远红外精细结构线发射的可能性。强度映射的方法测量的空间光谱波动，由于线发射从所有星系，包括那些低于个人的检测阈值。该技术提供了3-D测量星系集群和时刻的星系光度函数。此外，功率谱的线性部分可以用来测量包括宇宙时间内所有源的总谱线发射强度，其中自然编码有红移信息。总谱线发射，当与总的恒星形成活动和/或其他谱线强度相比时，揭示了星系聚集的星际条件的演变。作为一个案例研究，我们考虑在0.5 < z < 1.5的时期，其中最小化的干扰线的[CII]自相关的测量，分别使用远红外/亚毫米球载和未来的空间载仪器具有中等和高灵敏度。在这种情况下，我们比较的强度映射的方法，盲目的星系调查的基础上个人的检测。我们发现，强度映射几乎总是最好的方式来获得总的线发射，因为盲目的，宽视场星系调查缺乏足够的深度和深笔束没有观察到足够的星系在必要的光度和红移箱。此外，强度映射通常是测量功率谱形状的最有效方法，这取决于光度函数和望远镜孔径的细节。
