Forecast Cosmological Constraints with the 1D Wavelet Scattering Transform and the Lyman-$α$ forest

Planteamiento del Problema
El bosque Lyman-$\alpha$ sirve como una sonda crítica para las estructuras de pequeña escala, ofreciendo información sobre la materia oscura, la masa de los neutrinos, la física inflacionaria y la historia térmica del medio intergaláctico (IGM). Sin embargo, extraer información cosmológica de este régimen no lineal es un desafío. Los análisis actuales que dependen del espectro de potencia de flujo 1D se están volviendo dominados por el sistema de errores en grandes sondeos como SDSS y DESI. Además, las estadísticas de orden superior tradicionales, como el biespectro, sufren de un aumento en la varianza y una reducción en la robustez frente a valores atípicos en distribuciones altamente no gaussianas. Existe una necesidad demostrada de nuevos estadísticos de resumen capaces de extraer información no gaussiana del campo de densidad no lineal sin los requisitos de entrenamiento o los problemas de interpretabilidad asociados con los enfoques de aprendizaje profundo.

Metodología
Los autores proponen el uso de la Transformada de Dispersión de Wavelets (WST) 1D como un estadístico de resumen para la cosmología del bosque Lyman-$\alpha$. La WST es una técnica de procesamiento de señales determinista y matemáticamente robusta que convoluciona el campo de flujo de entrada con wavelets de valor complejo en diferentes escalas, seguido de operaciones de módulo y filtrado de paso bajo. Este proceso separa la información a través de las escalas y extrae estadísticas de orden superior (hasta segundo orden en este estudio) que son estables frente a pequeñas deformaciones y ruido.

Para pronosticar el poder de constreñimiento de la WST, los autores utilizaron:

• Simulaciones: Una suite de 10 simulaciones hidrodinámicas (usando MP-Gadget) que contienen $2 \times 256^3$ partículas en una caja de $40 \text{ Mpc}/h$. A partir de estas, se generaron 32,000 espectros de absorción Lyman-$\alpha$ en los desplazamientos al rojo $z=2, 3, 4$.
• Parámetros: El análisis se centró en cuatro parámetros cosmológicos y térmicos: el índice espectral de la potencia primordial ($n_P$) y su amplitud ($A_P$), y los parámetros térmicos del IGM ($H_A$ y $H_S$).
• Modelado de Ruido: Se simuló el ruido observacional realista añadiendo ruido gaussiano a cada espectro, con la relación continuo-ruido (CNR) extraída de una distribución log-normal ajustada a los datos de SDSS DR16Q.
• Marco Estadístico: Se construyó una matriz de información de Fisher para estimar las restricciones de los parámetros. La matriz de covarianza se estimó utilizando 2,000 realizaciones de ruido aleatorio. Los autores compararon la información de Fisher derivada de los coeficientes de la WST frente a la del espectro de potencia de flujo 1D estándar.

Contribuciones Clave y Resultados
El estudio demuestra que la WST captura información cosmológica significativa que no está presente en el espectro de potencia de flujo.

• Contenido de Información: Los coeficientes de wavelet de segundo orden, que sondean la información no gaussiana, contribuyen aproximadamente con un 50% de información extra a la matriz de Fisher en comparación con los coeficientes de primer orden por sí solos.
• Restricciones de Parámetros: La WST proporciona restricciones sustancialmente más estrictas sobre los parámetros cosmológicos que el espectro de potencia. Específicamente, las incertidumbres posteriores estimadas ($\sigma_X$) para los parámetros $n_P$, $A_P$, $H_S$ y $H_A$ mejoran por un factor de 30 a 60 cuando se utilizan los coeficientes combinados de la WST.
• Reducción de Dimensionalidad: Los autores estiman que la WST reduce el volumen del espacio de parámetros 4D por un factor de $10^6$ en comparación con el espectro de potencia.
• Sensibilidad: Los coeficientes de la WST son menos sensibles al flujo medio ($\tau_{\text{eff}}$) que el espectro de potencia (cambiando en $\sim 2.5\%$ para un cambio de flujo del 10%, frente al $\sim 7\%$ del espectro de potencia), lo que sugiere una potencial reducción de la degeneración entre $\tau_{\text{eff}}$ y la amplitud primordial $A_P$.
• Dependencia con el Desplazamiento al Rojo: El contenido de información alcanza su máximo en $z=3$ para la mayoría de los parámetros, mientras que el parámetro térmico $H_A$ se restringe más en $z=2$.

Significancia y Reivindicaciones
El artículo afirma que la Transformada de Dispersión de Wavelets 1D ofrece un enfoque novedoso y poderoso para extraer información cosmológica del bosque Lyman-$\alpha$, superando al tradicional espectro de potencia de flujo por un orden de magnitud o más en capacidad de constreñimiento. Los autores postulan que, si estas mejoras se materializan en los próximos datos del Dark Energy Spectroscopic Instrument (DESI), la WST podría permitir:

• Restricciones sobre la carrera inflacionaria ($\alpha_s$) suficientes para probar modelos inflacionarios comunes que predicen $\alpha_s = -6 \times 10^{-4}$.
• Mejoras en las restricciones de la masa de los neutrinos lo suficiente como para lograr una detección de $5\sigma$ de la masa mínima de los neutrinos.

Los autores mantienen la modestia respecto a las limitaciones actuales de su pronóstico, señalando que el enfoque de la matriz de Fisher descuida las degeneraciones de parámetros y que el pequeño tamaño de la caja de simulación probablemente conduce a pronósticos pesimistas para el índice espectral $n_P$. Reconocen que un análisis de verosimilitud completo y un tratamiento robusto de los errores sistemáticos (como el ajuste del continuo) son pasos futuros necesarios antes de aplicar estos métodos a los datos reales de DESI. Sin embargo, este trabajo establece que la WST preserva significativamente más información que el espectro de potencia, abriendo la posibilidad de mejorar las restricciones de los parámetros por múltiples órdenes de magnitud.