Growth rate measurements from a joint analysis of the large-scale galaxy clustering in Fourier and configuration space

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Medición de la tasa de crecimiento mediante un análisis conjunto de agrupamiento de galaxias a gran escala en espacios de Fourier y configuración

1. El Problema
El estudio de la estructura a gran escala (LSS) del universo permite medir la historia de expansión y el crecimiento de las perturbaciones cosmológicas. Tradicionalmente, las mediciones de las distorsiones del espacio de redshift (RSD), que proporcionan restricciones sobre la tasa de crecimiento de las estructuras ($f\sigma_8$), se han realizado de forma independiente en dos espacios:

• Espacio de configuración: Estimando la función de correlación ($\xi(r)$).
• Espacio de Fourier: Estimando el espectro de potencia ($P(k)$).

Aunque ambos métodos utilizan los mismos datos iniciales y deberían teóricamente producir resultados idénticos, difieren en sus propiedades de ruido, en cómo se ven afectados por efectos sistemáticos y en la selección de escalas para la inferencia. Los métodos existentes para combinar estos resultados (como la aproximación gaussiana de Sánchez et al. 2017) asumen que las distribuciones posteriores de los parámetros son gaussianas, lo cual puede no ser válido con datos ruidosos o en análisis complejos. Existe la necesidad de un marco unificado que realice un ajuste conjunto (joint fit) de ambos espacios para obtener resultados de consenso más robustos y sin sesgos, especialmente en el régimen no lineal.

2. Metodología
Los autores proponen y prueban un marco de análisis conjunto que modela simultáneamente las funciones de dos puntos en ambos espacios utilizando una única serie de parámetros.

• Modelo Teórico: Se basa en la Teoría de Campo Efectivo de la Estructura a Gran Escala (EFTofLSS) en un marco lagrangiano. El modelo incorpora:
  • Perturbaciones de Lagrange (LPT) hasta un bucle (1-loop).
  • Términos de contrapartida (counterterms) y contribuciones estocásticas para modelar física a pequeña escala.
  • Un enfoque de "ShapeFit" para capturar la física temprana a través de la pendiente del espectro de potencia.
  • Parámetros de dilatación ($q_\parallel, q_\perp$) para corregir distorsiones Alcock-Paczynski.
• Estrategias de Análisis: Se compararon cuatro enfoques:
  1. CS: Solo espacio de configuración.
  2. FS: Solo espacio de Fourier.
  3. GA (Aproximación Gaussiana): Combina las posteriores de CS y FS asumiendo gaussianidad y estimando la covarianza cruzada mediante simulaciones.
  4. JS (Espacio Conjunto): Realiza un ajuste conjunto de los multipoles de $\xi(r)$ y $P(k)$ simultáneamente.
     • Se introdujo una variante llamada JSsep, donde ciertos parámetros de "ruido" (como $b_2, b_s$ y los contrapartidas $\alpha_i$) se permiten variar independientemente en cada espacio para mitigar tensiones entre modelos.
• Validación:
  • Simulaciones N-body: Se utilizó la suite AbacusSummit (25 realizaciones) para probar la precisión del modelo teórico y determinar los rangos de escalas válidos ($r_{min}$ y $k_{max}$).
  • Mocks Aproximados: Se utilizaron 1000 realizaciones de EZmocks que reproducen la geometría y densidad de la muestra de galaxias rojas luminosas (LRG) de BOSS y eBOSS para validar las propiedades estadísticas y estimar matrices de covarianza.
• Inferencia: Se emplearon enfoques bayesianos (MCMC con emcee) y frecuentistas (iMinuit) utilizando el marco desilike.

3. Contribuciones Clave

• Marco Unificado: Extensión del método de ajuste conjunto (anteriormente usado solo para BAO por Dumerchat & Bautista 2022) al análisis completo de RSD.
• Modelo JSsep: Identificación de que permitir que ciertos parámetros de sesgo y contrapartida sean independientes entre los espacios de Fourier y configuración es crucial para evitar sesgos en los parámetros cosmológicos y mejorar el ajuste estadístico ($\chi^2$).
• Validación Rigurosa: Demostración de que el método conjunto es insesgado en simulaciones N-body y consistente con métodos individuales, superando las limitaciones de la aproximación gaussiana cuando las posteriores no son gaussianas.
• Aplicación a Datos Reales: Primera aplicación de este marco específico de EFTofLSS conjunta a la muestra combinada de LRG de BOSS+eBOSS (DR16).

4. Resultados

• En Simulaciones (AbacusSummit):
  • El análisis conjunto (JS) sin separación de parámetros mostró tensiones en parámetros de nuisance ($b_2, \alpha_2, \alpha_4$) debido a términos de covarianza cruzada ruidosos.
  • La variante JSsep eliminó estos sesgos, logrando un $\chi^2$ reducido de $\sim 1.5$, comparable a los análisis individuales, y proporcionó restricciones insesgadas.
  • Se determinaron los rangos óptimos de escalas: $30 < r < 150 \, h^{-1}\text{Mpc}$ (configuración) y $0.02 < k < 0.20 \, h\text{Mpc}^{-1}$ (Fourier).
• En Datos Reales (BOSS+eBOSS LRG):
  • El método JSsep produjo resultados consistentes con las publicaciones oficiales de 2020 (Bautista et al. y Gil-Marín et al.), pero con un tratamiento de modelo más avanzado (EFT vs. modelo TNS).
  • Medición Final:
    $$f\sigma_8 = 0.463 \pm 0.052$$
    $$q_\parallel = 1.031 \pm 0.044$$
    $$q_\perp = 0.995 \pm 0.021$$
  • El método JSsep proporcionó las restricciones más ajustadas (menores incertidumbres) para $q_\parallel$ y $q_\perp$ en comparación con los métodos individuales y la aproximación gaussiana.
  • Se observó que la aproximación gaussiana (GA) puede ser sesgada para ciertos parámetros (como $m$) cuando las posteriores no son gaussianas, mientras que el método conjunto captura mejor la forma real de la distribución.

5. Significado
Este trabajo demuestra que el análisis conjunto de los espacios de configuración y Fourier es una herramienta viable y superior para la cosmología de precisión.

• Robustez: El método JSsep es más robusto frente a efectos sistemáticos y no lineales, ya que promedia los sesgos específicos de cada espacio a nivel de multipolos.
• Futuro: El marco es esencial para futuros sondeos de alta precisión como DESI y Euclid, donde la combinación de toda la información disponible (sin asumir gaussianidad) será crucial para reducir las incertidumbres en los parámetros de energía oscura y gravedad.
• Advertencia: Los autores destacan que la precisión de las matrices de covarianza cruzada es crítica; se requiere un número muy grande de simulaciones (mocks) para reducir el ruido en los términos cruzados y evitar sesgos en las estimaciones de incertidumbre.

En resumen, el artículo valida un nuevo estándar metodológico para extraer parámetros cosmológicos de la estructura a gran escala, ofreciendo resultados más precisos y fiables que los enfoques tradicionales separados.