Constraining cosmological simulations with peculiar velocities: a forward-modeling approach

Título: Restringiendo simulaciones cosmológicas con velocidades peculiares: un enfoque de modelado hacia adelante (Hamlet-PM)

Planteamiento del problema
Las simulaciones numéricas son esenciales para comprender la dinámica gravitacional, pero las simulaciones cosmológicas estándar solo reproducen el Universo estadísticamente, fallando en coincidir espacialmente con el "Universo Local" específico observado por los astrónomos. Esta limitación dificulta el estudio de objetos cercanos raros, tenues o bien estudiados que existen en un entorno único y particular. Si bien las "simulaciones restringidas" buscan reproducir el entorno local, los flujos de trabajo existentes (como el del consorcio CLUES) dependen de un enfoque heterogéneo de múltiples pasos: reconstrucción de campos de densidad/velocidad mediante un Filtro de Wiener (WF), desplazamiento de las restricciones hacia atrás en el tiempo mediante la Aproximación de Zeldovich Inversa (RZA) y generación de condiciones iniciales (ICs). Estos pasos dependen fuertemente de la teoría lineal y de supuestos (por ejemplo, incertidumbres de velocidad gaussianas) que se rompen en el régimen no lineal e introducen sesgos sistemáticos. Además, los métodos actuales suelen tener dificultades para modelar con precisión la dinámica del Universo tardío donde se miden las velocidades peculiares.

Metodología: Hamlet-PM
Los autores presentan Hamlet-PM, un marco de modelado hacia adelante (forward-modeling) totalmente bayesiano que restringe las condiciones iniciales directamente a partir de datos de velocidad peculiar en $z=0$. A diferencia de las iteraciones anteriores (por ejemplo, Hamlet-L) que utilizaban la teoría lineal, Hamlet-PM integra los siguientes componentes:

1. Solucionador de gravedad diferenciable: El método reemplaza el modelo lineal por un solucionador de gravedad de malla de partículas (PM) grueso (pmwd) implementado en JAX. Esto permite la integración de la dinámica en el régimen de no linealidad leve.
2. Construcción de campo de velocidad híbrido: Para abordar los problemas de celdas vacías en regiones de vacíos donde la interpolación estándar de Cloud-in-Cell (CiC) falla, los autores emplean un enfoque híbrido. En regiones densas, el campo de velocidad se deriva de la representación CiC de la simulación N-body. En regiones casi vacías, se utiliza una aproximación de la teoría lineal. Estos se mezclan utilizando una función de peso dependiente de la densidad.
3. Inferencia Bayesiana: El marco estima la distribución de probabilidad posterior de los modos de Fourier del campo de sobredensidad de alta redshift y las distancias de las restricciones. Utiliza Hamiltonian Monte Carlo (HMC) a través de la biblioteca blackjax para explorar el espacio de parámetros, evitando las aproximaciones del Filtro de Wiener.
4. Datos: El método se aplica al catálogo Cosmicflows-4 (CF4), un conjunto de datos compuesto de $\sim56,000$ galaxias agrupadas en $\sim38,000$ grupos, limitado a $cz \leq 16,500$ km/s ($z \sim 0.05$) para asegurar la isotropía de los datos y gestionar las restricciones computacionales.
5. Ejecución de la simulación: Las condiciones iniciales inferidas (a baja resolución, $128^3$) se aumentan con potencia de pequeña escala aleatoria para alcanzar $512^3$ partículas. Estas se evolucionan hasta $z=0$ utilizando el código AREPO, generando un conjunto de 100 simulaciones restringidas en una caja de $500^3$ $h^{-1}\text{Mpc}$.

Contribuciones clave

• Marco Hamlet-PM: Una novedosa extensión del método Hamlet que permite la restricción directa de las IC a partir de datos de velocidad en $z=0$ utilizando un solucionador de gravedad diferencial y no lineal, yendo más allá de las limitaciones de la teoría lineal del flujo de trabajo CLUES (WF/RZA/CRs).
• Métrica Opt-LUM: La introducción de un "modelo de universo local optimizado" (opt-LUM). Este algoritmo desplaza iterativamente la posición objetivo de los cúmulos observados hacia el centro de masa de los halos simulados que coinciden. Esto captura los desplazamientos espaciales sistemáticos (sesgos posicionales) que el LUM estándar penaliza, proporcionando una tasa de detección y una estimación de masa más robustas.
• Benchmarking estandarizado: La aplicación de las métricas de las Olimpiadas del Campo de Velocidad (VFO) y LUM para comparar cuantitativamente este nuevo método contra las simulaciones restringidas existentes basadas en velocidad (CLONES, P23) y en desplazamiento al rojo (CSiBORG, Manticore-Local).

Resultos

• Estructura a gran escala: Las 100 simulaciones reproducen con éxito la estructura a gran escala observada dentro del volumen restringido, mostrando filamentos y vacíos persistentes. Las estructuras no lineales aparecen más pronunciadas que en las reconstrucciones lineales.
• Detección de cúmulos: Usando la métrica opt-LUM, la tasa de detección para 12 cúmulos cercanos prominentes (ej. Virgo, Coma, Shapley) mejora significativamente respecto al LUM estándar. La mayoría de los cúmulos logran tasas de detección $>80\%$ a $2\sigma$, con muchos alcanzando los umbrales de $3\sigma$ y $4\sigma$.
• Estimaciones de masa: Las distribuciones de masa posterior para los cúmulos emparejados son generalmente consistentes con los valores de la literatura (sondas de rayos X, SZ y dinámicas), particularmente cuando se utilizan los contrapartes de opt-LUM.
• Rendimiento del campo de velocidad: En el benchmark VFO, Hamlet-PM supera a los flujos de trabajo previos basados en velocidad (CLONES), pero es superado por las simulaciones restringidas basadas en desplazamiento al rojo (Manticore-Local, CSiBORG1).
• Sesgos sistemáticos: El estudio identifica una sobreabundancia significativa de halos masivos ($>10^{14} h^{-1}M_\odot$) en el volumen restringido en comparación con las predicciones de $\Lambda$CDM y las estimaciones observacionales. El solucionador de malla de partículas utilizado para la inferencia parece subestimar las amplitudes de velocidad en regiones densas, forzando a las condiciones iniciales a desviarse del modelo cosmológico para ajustarse a los datos, lo que resulta en resimulaciones sesgadas con demasiados cúmulos masivos.

Significancia y afirmaciones
El artículo afirma que el modelado hacia adelante a nivel de campo de las condiciones iniciales puede aplicarse con éxito a observaciones reales de velocidad peculiar para producir simulaciones cosmológicas altamente restringidas. En su forma actual, se afirma que Hamlet-PM supera la calidad del flujo de trabajo CLUES estándar (WF/RZA/CRs) utilizado actualmente en la comunidad de velocidades peculiares, principalmente debido a su capacidad para modelar no linealidades y efectos observacionales complejos dentro de un marco bayesiano consistente.

Sin embargo, los autores son modestos respecto a las limitaciones actuales del método. Reconocen que los sesgos sistemáticos, específicamente la sobreproducción de cúmulos masivos y la subestimación de los contrastes de velocidad en regiones densas por parte del solucionador de malla de partículas grueso, deben abordarse. El artículo concluye que, si bien el método representa un salto adelante para el análisis de datos de velocidad peculiar a nivel de campo, todavía es superado por las simulaciones restringidas basadas en desplazamiento al rojo (como Manticore-Local) debido a la mayor densidad y precisión de los datos de desplazamiento al rojo en comparación con las velocidades basadas en distancia. Se espera que las mejoras futuras provengan del refinamiento del modelo observacional (funciones de selección, calibración cruzada) y de la mejora del modelado de los campos de densidad/velocidad para sondear más profundamente el régimen no lineal.