Ridged Lagrangian Perturbation Theory (RLPT)

1. El Problema

Las encuestas de galaxias actuales y futuras (como DESI, Euclid, Roman) requieren la generación masiva de catálogos simulados (mocks) para estimar matrices de covarianza y controlar sistemáticos observacionales.

• Limitación de los solvers rápidos: Los métodos basados en Teoría de Perturbación Lagrangiana (LPT) de un solo paso (como 2LPT o ALPT) son computacionalmente eficientes y capturan con precisión las fases a gran escala. Sin embargo, tienden a producir una estructura a pequeña escala demasiado difusa: los filamentos son demasiado gruesos, los nudos (knots) poco profundos y el espectro de potencia subestima el agrupamiento en escalas no lineales.
• Limitación de las simulaciones N-cuerpo: Aunque las simulaciones N-cuerpo (como Abacus) son el estándar de oro, su costo computacional es prohibitivo para generar grandes volúmenes de mocks en múltiples grids de parámetros cosmológicos.
• El desafío de la resolución fija: En solvers acelerados (PM) con resolución de malla fija (típicamente unos pocos $h^{-1}$ Mpc), incluso si la dinámica a gran escala es correcta, el campo de densidad carece de la "afinación" no lineal necesaria. Esto afecta críticamente a la colocación de trazadores (galaxias) y a la estadística de pares cercanos, vital para corregir efectos como las colisiones de fibras.

2. Metodología: Ridged Lagrangian Perturbation Theory (RLPT)

El autores proponen RLPT, un esquema modular de dos pasos diseñado para operar en régimen de resolución fija. La idea central es separar explícitamente el transporte a larga distancia de la corrección a corta distancia.

• Paso 1: Transporte Lagrangiano a Larga Distancia:
  Se utiliza un solver estándar de LPT (nLPT) o ALPT (Lagrangiana con regularización esférica) para mover las partículas desde sus coordenadas iniciales $\vec{q}$ a una posición intermedia $\vec{x}^{(1)}$. Este paso preserva las fases correctas a gran escala.

• Paso 2: Actualización de "Ridging" (Euleriana):
  Se aplica una corrección post-procesamiento basada en el campo de densidad Euleriano resultante ($\delta^{(1)}$).

  1. Separación de Escalas: Se filtra el campo de densidad en el espacio de Fourier para aislar los modos de corta distancia ($\delta_{SR}$) utilizando un filtro suave (función error o logística).
  2. Remapeo de Colapso Esférico: El campo de densidad de corta distancia se somete a una relación de colapso esférico (Spherical Collapse) para simular la compresión no lineal, obteniendo un potencial de desplazamiento $\psi_{SR}$.
  3. Inversión de Poisson: Se reconstruye un desplazamiento potencial puramente a corta distancia ($\vec{\Psi}_{SR}$) mediante la inversión de Poisson de $\psi_{SR}$.
  4. Actualización: Las partículas se mueven una segunda vez: $\vec{x}^{(2)} = \vec{x}^{(1)} + D_{SR}(z) \vec{\Psi}_{SR}$.
  • Costo: Esto requiere esencialmente una solución adicional de la ecuación de Poisson (una FFT directa y una inversa), lo cual es muy barato.

• Extensiones:

  • Ridging Vortical: Opcionalmente, se puede añadir un componente solenoidal (vorticidad) mediante una descomposición de Helmholtz para capturar efectos no potenciales en regímenes altamente no lineales.
  • SPRLPT (Smooth-Particle Ridging): Una variante inspirada en la Hidrodinámica de Partículas Suaves (SPH) que realiza el cálculo de la corrección de corta distancia directamente en el espacio de partículas usando kernels de vecindad, permitiendo ajustes más allá de la resolución nominal de la malla (subgrid).

3. Contribuciones Clave

• Cierre Explícito de Corta Distancia: RLPT introduce una capa de cierre explícita y barata que completa la solución de LPT/ALPT sin alterar las fases a gran escala.
• Parámetros Transparentes: El método introduce un conjunto pequeño de parámetros calibrables (escala de transición, factor de crecimiento a corta distancia $D_{SR}$) que permiten ajustar la respuesta no lineal de manera controlada.
• Modelo Determinista Subgrid: Demuestra que el "ridging" puede reutilizarse como un modelo de reubicación determinista para trazadores. Permite ajustar el agrupamiento a pequeña escala de galaxias incluso si el campo de materia oscura subyacente no es perfecto a altas frecuencias, superando las limitaciones de la resolución de la malla.
• Integración con SPH: Es la primera aplicación de kernels de SPH dentro de un marco de LPT para modelar dinámicas de corto alcance sin depender de mallas finas.

4. Resultados Numéricos

Los autores validaron RLPT contra referencias de alta fidelidad (FastPM y Abacus N-body):

• Mejora en el Espectro de Potencia y Correlación:
  • En cajas de $100 \ h^{-1}\text{Mpc}$ y $200 \ h^{-1}\text{Mpc}$, un solo paso de ridging mejora sistemáticamente el acuerdo a nivel de campo respecto a 2LPT/ALPT.
  • A $z=0$, el coeficiente de correlación cruzada con la referencia PM en $k=0.5 \ h\text{Mpc}^{-1}$ aumenta de $\sim 0.54$ (2LPT) a $\sim 0.94$ (RLPT).
  • Se logra un acuerdo de nivel porcentual en el espectro de potencia hasta $k \simeq 0.3\text{--}0.4 \ h\text{Mpc}^{-1}$.
• Comparación con Abacus (Malla Gruesa):
  • Se destaca la importancia del esquema de asignación de masa. La teselación tetraédrica (CIC+tet) produce espectros cruzados mucho más suaves y estables que la asignación CIC estándar, especialmente más allá de la frecuencia de Nyquist esférica.
  • RLPT mejora significativamente la reconstrucción en mallas gruesas, recuperando la morfología de filamentos y nudos que los métodos de un solo paso difuminan.
• Control de Agrupamiento a Pequeña Escala (Prueba de Concepto):
  • En un experimento de posicionamiento de halos, se mostró que colocar halos en los centros de las celdas de malla crea artefactos de red (picos en el espectro) y suprime el poder a pequeña escala.
  • Al asignar halos a partículas dentro de la celda y aplicar SPRLPT, se elimina la huella de la red y se recupera un espectro de potencia casi sin sesgo hasta $k \sim 8 \ h\text{Mpc}^{-1}$, demostrando un control preciso sobre la estadística de pares cercanos.

5. Significado e Impacto

RLPT representa un avance práctico para la cosmología observacional moderna:

1. Eficiencia y Precisión: Ofrece una vía de bajo costo computacional para generar campos de materia oscura y catálogos de galaxias que son estadísticamente precisos en escalas cuasi-no lineales, llenando la brecha entre los solvers LPT rápidos y las simulaciones N-cuerpo costosas.
2. Control de Sistemáticos: Al permitir un ajuste determinista del agrupamiento a pequeña escala, RLPT es crucial para modelar efectos observacionales sensibles a pares cercanos (como colisiones de fibras en DESI), donde los métodos aleatorios o basados puramente en celdas fallan.
3. Flexibilidad: Al ser una capa de post-procesamiento, puede aplicarse sobre cualquier realización de ALPT existente en cualquier redshift, funcionando como un "botón de control" para calibrar la no linealidad sin necesidad de re-ejecutar simulaciones completas.
4. Marco para Futuras Extensiones: Establece una base para modelar teorías de gravedad modificada o materia oscura caliente mediante la manipulación controlada de la respuesta a pequeña escala, más allá del escenario $\Lambda$CDM estándar.

En resumen, RLPT transforma la Teoría de Perturbación Lagrangiana en una herramienta robusta para la producción de mocks de alta fidelidad, resolviendo el problema de la difuminación de la estructura a pequeña escala mediante una corrección Euleriana explícita y barata.