$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

Imagina el universo como un gigantesco e invisible océano de materia, que se extiende desde el Big Bang hasta el día de hoy. La mayor parte de este océano está compuesta por "materia oscura", una sustancia misteriosa que no podemos ver directamente, pero que sabemos que está ahí debido a su gravedad. Cuando la luz de galaxias distantes viaja a través de este océano cósmico, la gravedad de la materia oscura actúa como un espejo de feria, estirando y retorciendo ligeramente las formas de esas galaxias. Este fenómeno se llama "lente gravitacional débil". Al medir estas diminutas distorsiones en las formas de miles de millones de galaxias, los astrónomos pueden mapear la materia oscura invisible y comprender las reglas que gobiernan cómo crece y se expande el universo.

Durante mucho tiempo, los científicos han estado observando este espejo cósmico utilizando herramientas sencillas, como medir cuánto se correlacionan las formas de los pares de galaxias. Esto es como observar las ondas en un estanque para adivinar la velocidad del viento. Pero el universo es desordenado y complejo, y esas mediciones simples solo cuentan parte de la historia. Se pierden los secretos de "orden superior": los patrones complejos y no lineales que ocurren cuando tres o más galaxias interactúan de una manera específica. Para desbloquear estos secretos, los científicos necesitan observar formas más complicadas, como los triángulos formados por tres galaxias, en lugar de solo pares. Sin embargo, estos patrones complejos son notoriamente difíciles de predecir con la matemática estándar porque el comportamiento del universo se vuelve demasiado salvaje e impredecible para que las fórmulas simples puedan manejarlo.

Aquí es donde entra en juego el artículo. Los autores, liderados por David Gebauer y Anik Halder, han construido una nueva caja de herramientas digital llamada SBi3PCF para descifrar este código. En lugar de intentar forzar al universo en una caja matemática simple, decidieron dejar que el universo les enseñara las reglas mediante la ejecución de simulaciones computacionales masivas y realistas. Piensa en ello como intentar hornear el pastel perfecto. En lugar de limitarte a leer una receta (la antigua forma matemática), horneaste miles de pasteles en una cocina virtual, cambiando ligeramente los ingredientes cada vez, y luego utilizaste una IA superinteligente para aprender exactamente cómo los ingredientes afectan el sabor final.

En su estudio, simularon el campo de cizalladura cósmica (cosmic shear)—el patrón de las formas distorsionadas de las galaxias—utilizando una potente serie de simulaciones llamada CosmoGridV1. No solo simularon la materia oscura; incluyeron todos los "efectos sistemáticos" del mundo real que hacen que las observaciones reales sean complicadas, tales como errores al medir las distancias de las galaxias, la influencia de la materia normal (bariones) agrupándose, y el ruido aleatorio de las formas de las galaxias. Luego utilizaron una técnica llamada Inferencia Basada en Simulaciones (SBI, por sus siglas en inglés) con una red neuronal (un tipo de IA) para aprender la relación entre los parámetros de la simulación y los datos resultantes.

El equipo se centró en una estadística específica y compleja llamada función de correlación de 3 puntos integrada (i3PCF). Puedes pensar en la medición estándar de "2 puntos" como comprobar cómo se relacionan dos galaxias, mientras que la medición de "3 puntos" comprueba cómo se relaciona un trío de galaxias entre sí. La i3PCF es una forma ingeniosa de medir estas relaciones de tríos sin necesidad de reconstruir primero todo el mapa invisible del universo.

Esto es lo que encontraron:

• El mito de la Gaussiana: Durante mucho tiempo, los científicos asumieron que el "ruido" estadístico en sus datos seguía una curva de campana suave y agradable (una distribución gaussiana). Los autores probaron esto y descubrieron que, si bien los datos simples de "2 puntos" se ajustan bien a esta curva de campana, los datos combinados que incluyen las mediciones complejas de "3 puntos" (i3PCF) no lo hacen. La distribución se sesga y se vuelve extraña, especialmente en las escalas más grandes. Esto significa que los antiguos métodos matemáticos que dependen de la curva de campana darían resultados inexactos para estos nuevos datos. Su enfoque de IA, sin embargo, no le importa la forma de la curva; aprende la distribución real y desordenada directamente de las simulaciones.
• Distracciones insignificantes: Comprobaron si dos efectos específicos—la agrupación de galaxias fuente (donde las galaxias de fondo no son perfectamente aleatorias) y la cizalladura reducida (una corrección sutil a cómo medimos la distorsión)—arruinarían sus mediciones. Descubrieron que, para la escala de los sondeos actuales (como el Dark Energy Survey Año 3), estos efectos son tan diminutos que pueden ignorarse con seguridad. La señal de la materia oscura es mucho más fuerte que estos pequeños fallos.
• Un gran impulso en la precisión: Cuando aplicaron su nuevo flujo de trabajo de IA a datos simulados (observaciones simuladas que se ven igual que las reales), añadir la i3PCF a las mediciones estándar marcó una gran diferencia. Mejoró la precisión de sus restricciones cosmológicas en un promedio del 63.8%. Específicamente, ayudó a fijar los valores de la densidad de materia ($\Omega_m$), la agrupación de la materia ($\sigma_8$) y la ecuación de estado de la energía oscura ($w_0$) mucho mejor que antes. La mejora fue más dramática para $\sigma_8$, donde la incertidumbre se redujo aproximadamente un 31.0%.

El artículo concluye que este nuevo marco, SBi3PCF, es una forma robusta y precisa de analizar estos complejos patrones cósmicos. Demuestra que, al utilizar simulaciones e IA para evitar la necesidad de fórmulas matemáticas perfectas, los científicos pueden extraer significativamente más información de las señales de lente débil del universo. Esto allana el camino para que futuros sondeos, aún más grandes (como los de la misión Euclid y el Observatorio Vera C. Rubin), utilicen estas estadísticas de orden superior para resolver los mayores misterios del cosmos, todo ello teniendo en cuenta la realidad desordenada de cómo observamos el universo.