Hierarchical summaries for primordial non-Gaussianities

Resumen Técnico: Resúmenes Jerárquicos para No Gaussianidades Primordiales

Planteamiento del Problema
El advenimiento de los sondeos de galaxias de desplazamiento al rojo de la Etapa IV (por ejemplo, DESI, Euclid) ofrece el potencial de detectar no gaussianidades primordiales (PNG), específicamente del tipo local parametrizado por $f_{\text{NL}}$. Una detección con precisión $\sigma_{f_{\text{NL}}} \sim 1$ distinguiría entre escenarios de inflación de campo único y de campos múltiples. Sin embargo, las restricciones actuales de la Estructura a Gran Escala (LSS) y el Fondo Cósmico de Microondas (CMB) permanecen en $\sigma_{f_{\text{NL}}} \sim 5–9$. Mejorar estas restricciones requiere estrategias de compresión de datos novedosas que puedan extraer información más allá de las estadísticas de $n$ puntos estándar (espectro de potencia y bispectro) sin incurrir en costos computacionales prohibitivos asociados con los análisis de campo completo mediante aprendizaje automático.

Metodología
Los autores proponen un estimador híbrido que combina jerárquicamente las estadísticas de $n$ puntos globales estándar con un resumen de nivel de campo local mediante redes neuronales. Este enfoque está motivado por el trabajo teórico que sugiere que la no gaussianidad primordial genera correlaciones no locales, mientras que la evolución gravitacional tardía produce efectos únicamente locales; por lo tanto, combinar estadísticas globales con análisis de campo local puede desenredar estas señales.

La metodología emplea los siguientes componentes:

1. Simulaciones: El estudio utiliza la suite de simulaciones de N-cuerpos Quijote-PNG, específicamente el conjunto de datos de PNG local. Esto incluye 1,000 simulaciones de hipercubo latino con $f_{\text{NL}} \in (-300, 300)$ para el entrenamiento, 5,000 realizaciones en la cosmología fiducial ($f_{\text{NL}}=0$) para la estimación de la covarianza, y 1,000 simulaciones con valores de $f_{\text{NL}}$ desplazados ($\pm 50$) para los cálculos numéricos de derivadas. El análisis se centra en catálogos de halos de Amigos de un Amigo (FoF) dentro de un volumen de $1 \text{ Gpc}^3 h^{-3}$ en los desplazamientos al rojo $z = 0, 0.5, 1, 2, 3$.
2. Estadísticas Estándar: El espectro de potencia ($P(k)$) y el bispectro ($B(k)$) se computan a partir del campo de densidad de halos. El espectro de potencia se mide hasta $k_{\text{max}} \sim 0.8 \, h \text{ Mpc}^{-1}$, mientras que el bispectro se mide hasta $k_{\text{max}} \sim 0.5 \, h \text{ Mpc}^{-1}$.
3. Compresión a Nivel de Campo (PatchNet): En lugar de analizar el volumen completo de la simulación, el campo de densidad de halos se divide en subvolúmenes no superpuestos ("parches"). Una Red Neuronal Convolucional (CNN), denominada PatchNet, procesa estos parches para comprimir la información del campo a un único valor escalar por parche.
   • Arquitectura: La red consiste en tres bloques de capas convolucionales 3D y de agrupación promedio (tamaño de núcleo $3\times3\times3$), seguidos de tres capas densas. Produce un único valor que representa el $f_{\text{NL}}$ estimado para el parche.
   • Entrenamiento: La red se entrena para minimizar una pérdida de error cuadrático medio modificada, agregando las predicciones de todos los parches dentro de una caja de simulación.
   • Estimador Híbrido: El estadístico de resumen final es una concatenación del $P(k)$ global (y opcionalmente el $B(k)$) con la salida agregada de PatchNet (la media de las predicciones de los parches).
4. Análisis de Información de Fisher: El poder de restricción del estimador híbrido se evalúa utilizando la matriz de información de Fisher. La matriz de covarianza y las derivadas con respecto a $f_{\text{NL}}$ se estiman numéricamente utilizando las suites de simulaciones.

Resultos Clave
El análisis demuestra que la inclusión de la compresión de campo basada en parches mejora consistentemente las restricciones sobre $f_{\text{NL}}$ en comparación con las estadísticas de resumen estándar por sí solas:

• Magnitud de la Mejora: El estimador híbrido produce ganancias del 30–45% en el poder de restricción (reducción de $\sigma_{f_{\text{NL}}}$) en $k_{\text{max}}$ bajos ($\sim 0.1 \, h \text{ Mpc}^{-1}$) para las estadísticas estándar.
• Complementariedad: La información de los parches captura información más allá del bispectro. Incluso al combinar el espectro de potencia, el bispectro y los parches, el resultado es más ajustado que el espectro de potencia más los parches por sí solos, lo que indica que el bispectro retiene información de triángulos comprimidos (squeezed) a gran escala que el tamaño limitado de los parches no puede acceder. Por el contrario, los parches proporcionan información a pequeña escala que el bispectro no captura.
• Dependencia de Redshift y Masa: La mejora se observa en todos los desplazamientos al rojo probados ($z=0$ a $3$) y cortes de masa de halo. Notablemente, la mejora relativa de los parches es mayor para cortes de masa más altos (objetos más sesgados/biased), los cuales son relevantes para futuros objetivos de sondeo como los cuásares.
• Eficiencia: El enfoque basado en parches permite un análisis de campo efectivo con un presupuesto computacional significativamente reducido en comparación con las redes neuronales de volumen completo, ya que dividir el volumen en parches aumenta el tamaño efectivo del conjunto de entrenamiento.

Significancia y Reivindicaciones
El artículo afirma que esta combinación jerárquica ofrece un camino computacionalmente eficiente y escalable para estrechar las restricciones de PNG de los próximos sondeos. Los autores sostienen que su método aproxima un análisis de campo global aprovechando el principio teórico de que la localidad protege las señales primordiales de la contaminación de tiempos tardíos. Al utilizar de manera óptima las estadísticas de $n$ puntos para escalas grandes y el aprendizaje automático para escalas pequeñas, el enfoque captura el contenido de información esencial de manera más eficiente que el cálculo de funciones de correlación de orden superior progresivamente mayores. Los resultados sugieren que la compresión basada en parches proporciona información adicional con respecto a las estadísticas estándar, particularmente en el régimen no lineal donde el modelado de $P(k)$ y $B(k)$ se vuelve cada vez más complejo.

Los autores señalan que, si bien la función de masa de halos es altamente informativa, la red aprende una relación entre el contraste de densidad y $f_{\text{NL}}$ que se extiende más allá de la función de masa por sí sola. Se identifica que el trabajo futuro es necesario para probar otras formas de PNG, marginalizar sobre parámetros cosmológicos y abordar efectos observacionales como las máscaras de sondeo y la geometría del cono de luz.