Simulation-based inference from the Lyman-alpha forest 1D power spectrum with CAMELS

Título: Inferencia basada en simulaciones del espectro de potencia 1D del bosque Lyman-alfa con CAMELS

1. El Problema

El bosque Lyman-alfa (Ly$\alpha$) es una de las sondas más sensibles para estudiar la estructura a pequeña escala del universo a alto corrimiento al rojo ($z \gtrsim 2$). Sin embargo, la interpretación de los datos observacionales (espectro de potencia 1D, $P_{1D}(k)$) es extremadamente compleja debido a:

• Degeneraciones físicas: La señal depende simultáneamente de parámetros cosmológicos ($\Omega_m$, $\sigma_8$) y de procesos astrofísicos no lineales (retroalimentación de supernovas y AGN).
• Limitaciones de los métodos tradicionales: Los enfoques basados en celdas de simulación e interpolación (o "emuladores") a menudo asumen funciones de verosimilitud gaussianas, lo que puede introducir sesgos al no capturar estructuras no gaussianas o degeneraciones complejas.
• Falta de convergencia entre modelos: Diferentes códigos de formación galáctica (como IllustrisTNG y SIMBA) producen predicciones distintas para el mismo conjunto de parámetros, lo que genera incertidumbre sistemática al aplicar inferencias entrenadas en un modelo a datos reales o a otros modelos.

2. Metodología

Los autores implementan un marco de Inferencia Basada en Simulaciones (SBI) utilizando Flujos Normalizantes (Normalizing Flows) para realizar una estimación de la posterior neuronal (NPE).

• Datos de Entrenamiento: Se utiliza la suite de simulaciones CAMELS (Cosmology and Astrophysics with MachinE Learning Simulations), específicamente 1,000 realizaciones para cada uno de dos modelos de formación galáctica: IllustrisTNG (código AREPO) y SIMBA (código GIZMO).
  • Parámetros variados: 2 cosmológicos ($\Omega_m, \sigma_8$) y 4 astrofísicos (parámetros de retroalimentación de supernovas $A_{SN}$ y AGN $A_{AGN}$).
  • Datos de entrada: El espectro de potencia 1D del bosque Ly$\alpha$ ($P_{1D}(k)$) extraído en el rango de corrimiento al rojo $2.0 < z < 3.5$.
• Preprocesamiento:
  • Se identificó una discrepancia sistemática en el flujo medio ($\bar{F}$) entre los modelos (SIMBA subestima el flujo en un 5-15% respecto a IllustrisTNG a $z \gtrsim 3$). Para mitigar esto, se aplica una reescalación del flujo medio de SIMBA para igualarlo a IllustrisTNG antes del entrenamiento cruzado.
  • Se limitó el análisis a escalas conservadoras ($k_{max} \leq 3.0 \, h \text{ Mpc}^{-1}$) debido a la resolución y volumen de las cajas de simulación, aunque se probaron cortes más altos.
• Arquitectura del Modelo: Se emplea un Masked Autoregressive Flow (MAF) con 10 transformaciones y 100 unidades ocultas. La red aprende el mapeo directo entre los datos observables ($P_{1D}(k)$) y la distribución posterior de los parámetros, sin necesidad de definir una función de verosimilitud analítica explícita.
• Estrategias de Validación:
  1. Entrenar y probar en el mismo modelo (TNG-TNG o SIMBA-SIMBA).
  2. Entrenar en un modelo y probar en el otro (TNG $\to$ SIMBA) para evaluar la generalización cruzada.
  3. Entrenamiento multi-dominio: Entrenar con una mezcla de ambos modelos para aprender patrones compartidos y marginalizar sobre la incertidumbre del modelo de formación galáctica.

3. Contribuciones Clave

• Primera aplicación de SBI al bosque Ly$\alpha$: Se realiza por primera vez una inferencia basada en simulaciones completa utilizando flujos normalizantes sobre el espectro de potencia 1D del Ly$\alpha$.
• Resolución del problema de convergencia de modelos: Demuestran que entrenar en un solo modelo de formación galáctica y probar en otro genera sesgos significativos, pero que un enfoque de entrenamiento multi-dominio (combinando ambos modelos) recupera restricciones sin sesgos, ofreciendo una solución robusta a la falta de convergencia entre códigos de simulación.
• Análisis de parámetros astrofísicos: Identifican que, debido al pequeño volumen de las simulaciones CAMELS (25 $h^{-1}$ Mpc)$^3$, la varianza cósmica domina sobre las señales de retroalimentación, haciendo que los parámetros astrofísicos sean prácticamente no restringibles en este conjunto de datos, mientras que los cosmológicos sí lo son.

4. Resultados Principales

• Inferencia Cosmológica (Mismo modelo):
  • Cuando se entrena y prueba en el mismo modelo (ej. TNG-TNG), las distribuciones posteriores son sin sesgos y precisas.
  • Para $\Omega_m$ y $\sigma_8$, más del 75% de los casos tienen desviaciones menores al 10% (y >90% para $\sigma_8$).
  • La precisión mediana es de $\sim 8\%$ para $\Omega_m$ y $\sim 6\%$ para $\sigma_8$.
• Inferencia Cruzada (Sin reescalado o modelo único):
  • Entrenar en TNG y probar en SIMBA (sin corrección de flujo) produce un sesgo positivo de $\sim 10\%$ en $\sigma_8$ y una sobreconfianza severa en las incertidumbres (los errores estimados son demasiado pequeños).
  • Incluso con reescalado de flujo, la precisión disminuye y la dispersión aumenta.
• Entrenamiento Multi-Dominio:
  • Al entrenar con una mezcla de TNG y SIMBA, se recuperan restricciones sin sesgos para ambos parámetros cosmológicos.
  • La precisión se mantiene comparable a la del entrenamiento en un solo modelo, demostrando que la red neuronal puede aprender a ignorar las diferencias específicas de los modelos de formación galáctica y centrarse en la física cosmológica subyacente.
• Parámetros Astrofísicos:
  • La red no logra restringir los parámetros de retroalimentación ($A_{SN}, A_{AGN}$), ya que sus efectos se ven enmascarados por la varianza cósmica en el volumen limitado de las simulaciones.

5. Significado e Impacto

Este trabajo representa un paso fundamental hacia el uso de la Inteligencia Artificial para la cosmología de precisión con el bosque Lyman-alfa.

• Robustez ante incertidumbres astrofísicas: Proporciona un método viable para extraer parámetros cosmológicos fundamentales a pesar de la incertidumbre en los modelos de física bariónica, un problema crítico para futuros sondeos como DESI.
• Escalabilidad: El marco de inferencia amortizada (amortized inference) permite obtener muestras posteriores instantáneas una vez entrenado el modelo, evitando el costoso muestreo de cadenas de Markov (MCMC) tradicional.
• Futuro: Establece las bases para aplicar estas técnicas a datos reales de próxima generación, abordando el ruido instrumental y los contaminantes mediante el entrenamiento en múltiples dominios de simulación, lo que permitirá restricciones más estrictas sobre la naturaleza de la materia oscura, los neutrinos y la energía oscura.