meer21cm: an Analysis Pipeline and Comprehensive Toolkit for HI Intensity Mapping

Technische Zusammenfassung: meer21cm: Eine Analyse-Pipeline und umfassendes Toolkit für die HI-Intensitätskartierung

Problemstellung
Die Kartierung der neutralen Wasserstoff-Intensität (HI) hat sich als leistungsstarke Sonde des Post-Reionisations-Universums etabliert, steht jedoch vor einzigartigen analytischen Herausforderungen, die sich von der konventionellen Galaxien-Clusterbildung unterscheiden. Das HI-Signal ist intrinsisch schwach und um Größenordnungen schwächer als die Radio-Vordergründe, was aggressive Verfahren zur Komponententrennung (z. B. die Hauptkomponentenanalyse, PCA) erforderlich macht, die unbeabsichtigt das kosmologische Signal entfernen können. Zudem weisen Single-Dish-21-cm-Experimente hochgradig anisotrope Beobachtungseffekte auf, einschließlich Beam-Chromatizität, Redshift-Space-Verzerrungen und nicht-uniformer Survey-Geometrien. Diese Faktoren erschweren die Schätzung des Leistungsspektrums und erfordern eine konsistente Modellierung der Beobachtungseffekte, Korrekturen der Transferfunktion sowie Mock-Simulationen, die strikt den Survey-Spezifikationen entsprechen. Bestehende Pipelines mangelt es oft an der Modularität, dem survey-orientierten Design und der erforderlichen strengen Konsistenz, um die Analyse auf die großen Volumina zu skalieren, die für das Square Kilometre Array Observatory (SKAO) und dessen Vorläufer, den MeerKAT Large Area Synoptic Survey (MeerKLASS), erwartet werden.

Methodik
Die Autoren präsentieren meer21cm, ein umfassendes Python-Paket, das als Kern-Analyse-Pipeline für MeerKLASS-Beobachtungen konzipiert ist. Die Methodik basiert auf einer modularen, survey-orientierten Architektur, die die Definition von Survey-Spezifikationen (Himmelsfläche, Frequenzbereich, Teleskop-Beam) gegenüber theoretischen kubischen Box-Simulationen priorisiert.

Zentrale methodische Komponenten sind:

• Formalismus: Die Pipeline modelliert die HI-Leuchttemperatur und die Galaxien-Zahlendichte-Felder in 3D-k-Raum. Sie bezieht explizit Beobachtungseffekte wie die Konvolution mit dem Teleskop-Beam, Map-Making-Kernel, Gridding und Foreground-Removal-Operatoren ein. Die Leistungsspektren-Schätzer für HI-Auto-Power, Galaxien-Auto-Power und HI-Galaxien-Kreuzleistung (Cross-Power) werden mit spezifischen Gewichtungs-Renormalisierungen hergeleitet, um Mittelwertzentrierung und Vordergrundbereinigung zu berücksichten.
• Mock-Simulation: Die Pipeline generiert Log-Normal-HI-Dichtefelder und Poisson-gesamplete Galaxien-Kataloge innerhalb eines kartesischen komoving Grids. Diese werden auf Himmelskoordinaten projiziert, mit einem Teleskop-Beam konvolviert und mit Vordergründen (Synchrotronstrahlung, Free-Free-Emission, Staub, AME, CMB) sowie thermischem Rauschen kontaminiert.
• Vordergrundbereinigung und Transferfunktionen: Eine Methode zur blinden Vordergrundbereinigung basierend auf der Hauptkomponentenanalyse (PCA) ist implementiert. Um den durch die PCA induzierten Signalverlust zu korrigieren, verwendet die Pipeline eine numerische Berechnung der Transferfunktion. Dies geschieht durch das Injizieren von Mock-Signalen in die Daten, Anwendung des Bereinigungsverfahrens und Berechnung des Verhältnisses der bereinigten zu den unbereinigten Leistungsspektren.
• Parameter-Inferenz: Das Framework unterstützt Bayessche Inferenz unter Verwendung von Mock-basierten Kovarianzmatrizen, wobei Hartlap- und Percival-Korrekturfaktoren berücksichtigt werden, um die endliche Anzahl der Mock-Realisierungen auszugleichen.

Wesentliche Beiträge

1. Modularer und Survey-orientierter Design: Im Gegensatz zu traditionellen Codes, die mit kubischen Boxen beginnen, definiert meer21cm Berechnungen basierend auf der Survey-Geometrie. Es nutzt Python-Klassenvererbung, um Schritte von der Datenladung bis zur Parameter-Inferenz zu modularisieren, wodurch sichergestellt wird, dass Änderungen in den Datenschnitten oder Bereinigungsstrategien automatisch durch die gesamte Analysekette propagiert werden.
2. Umfassendes Toolkit: Das Paket deckt den gesamten Workflow der Datenanalyse nach der Kalibrierung ab, einschließlich Daten-I/O, Vordergrundbereinigung, Leistungsspektrum-Schätzung, Mock-Simulation und Parameter-Inferenz. Es verarbeitet sowohl HI-Intensitätskarten als auch überlappende Galaxien-Kataloge für die Multi-Tracer-Analyse.
3. Strenge Validierung: Die Pipeline wird durch End-to-End-Tests mit 512 Mock-Realisierungen eines MeerKLASS UHF-Band-Survey-Patches (750 deg², $0.6 < z < 0.8$) validiert. Der Code enthält Unit-Tests mit einer Abdeckung von ca. 100 %.

Ergebnisse
Die Validierungstests demonstrieren die Genauigkeit der Pipeline bei der Rekonstruktion von Leistungsspektren:

• Log-normale Simulation: Die simulierten Log-Normal-Felder stimmen mit den theoretischen Eingangsmodellen über alle relevanten Skalen hinweg mit einem Bruchteilunterschied von $\sim \pm 1 \%$ überein.
• Beobachtungseffekte: Unter Berücksichtigung von Beobachtungseffekten (Beam-Glättung, Gridding) stimmen die rekonstruierten Leistungsspektren der Galaxien-Auto-Power innerhalb von $\sim 1 \%$ mit dem Modell für $k < 0.2 \, h\text{Mpc}^{-1}$ überein. Die HI-Auto-Power und die Kreuzleistung zeigen etwas größere Abweichungen aufgrund der komplexeren Beam-Modellierung, bleiben aber innerhalb einer Genauigkeit von $\pm 5 \%$.
• Transferfunktions-Korrekturen: Nach Anwendung der PCA-Bereinigung und der numerischen Transferfunktions-Korrektur stimmt die rekonstruierte HI-Auto-Power innerhalb von $0.5\sigma$ der Signalvarianz für $0.05 < k < 0.2 \, h\text{Mpc}^{-1}$ mit dem Modell überein. Die Rekonstruktion der Kreuzleistung zeigt einen systematischen Offset von $\sim 5 \%$, bleibt aber innerhalb von $1\sigma$, was auf unterschiedliche Gewichtungsschemata zwischen Auto- und Kreuzkorrelationen zurückzuführen ist.
• Präzision: Für einen Survey, der aus zehn unabhängigen Patches besteht, erreicht die Pipeline eine Genauigkeit im Prozentbereich bei der Schätzung des Leistungsspektrums mit Abweichungen von $\lesssim 0.5\sigma$ zwischen Mock- und Modell-Spektren im Bereich $k \in [0.02, 0.2] \, h\text{Mpc}^{-1}$.

Bedeutung
Das Paper positioniert meer21cm als kritische Infrastruktur für die aktuelle MeerKLASS-Kampagne und als skalierbare Grundlage für zukünftige SKAO-Intensitätskartierungs-Surveys. Durch die Sicherstellung, dass die theoretische Modellierung strikt den Survey-Spezifikationen und Beobachtungseffekten entspricht, adressiert die Pipeline die systematischen Komplexitäten, die der 21-cm-Datenanalyse eigen sind. Die Autoren behaupten, dass das Paket eine robuste, konsistente und automatisierte Analyse großer Datenvolumina ermöglicht und den Übergang von Single-Patch-Validierungen zu vollen Survey-kosmologischen Einschränkungen erleichtert. Der Code ist öffentlich zugänglich, gut dokumentiert und darauf ausgelegt, erweiterbar für zukünftige Entwicklungen wie analytische Kovarianzschätzung, fortgeschrittene Vordergrundbereinigungsmethoden und die vollflächige Bestimmung kosmologischer Parameter zu sein.