Local primordial non-Gaussianity using cross-correlations of DESI tracers

Título: Local primordial non-gaussianity using cross-correlations of DESI tracers (No-Gaussianidad primordial local usando correlaciones cruzadas de trazadores de DESI)

1. El Problema

La no-gaussianidad primordial (PNG) de tipo local es un parámetro clave ($f_{\text{loc}}^{\text{NL}}$) para entender la física de la inflación cósmica. Una detección precisa ($O(1)$) de un valor no nulo descartaría los modelos de inflación de campo único.

• Limitaciones actuales: Las mejores restricciones provienen del fondo cósmico de microondas (CMB) de Planck, pero están limitadas por la varianza cósmica (solo 2D). La estructura a gran escala (LSS) ofrece una vía para mejorar la precisión mediante el efecto de sesgo dependiente de la escala en la distribución de galaxias.
• Desafío con DESI DR1: La primera liberación de datos (DR1) del experimento DESI incluye galaxias de líneas de emisión (ELGs), pero estas sufren de sistemáticas de imagen significativas a grandes escalas (las más relevantes para PNG). Estas sistemáticas dominan la señal esperada, haciendo que el uso directo de las auto-correlaciones de ELGs sea riesgoso debido a posibles residuos o sobre-correcciones. Además, el sesgo bajo de las ELGs debilita su señal intrínseca de PNG.

2. Metodología

El estudio propone y valida un enfoque para incluir la información de las ELGs y mejorar las restricciones de PNG mediante el uso de correlaciones cruzadas entre diferentes tipos de trazadores, reduciendo así la susceptibilidad a sistemáticas no comunes.

• Muestras de Datos (DESI DR1):
  • Auto-correlaciones: Galaxias Rojas Luminosas (LRGs, $0.4 < z < 1.1$), Cuásares (QSOs, $0.8 < z < 3.1$) y ELGs ($0.8 < z < 1.6$).
  • Correlaciones Cruzadas: LRG $\times$ QSO, ELG $\times$ LRG y ELG $\times$ QSO.
• Tratamiento de Sistemáticas:
  • Se aplican pesos para corregir incompletitud, fallos en redshift y sistemáticas de imagen (usando regresión lineal, SYSNet y Regressis).
  • Para las ELGs, se adopta una estrategia conservadora: se corta el espectro de potencia en $k_{\text{min}} = 0.01 \, h \text{ Mpc}^{-1}$ para evitar que las sistemáticas residuales sesguen la medición, sacrificando precisión por robustez.
• Análisis Teórico y Estadístico:
  • Se mide el espectro de potencia (monopolo y cuadrupolo) utilizando el código pypower.
  • Se ajusta un modelo teórico que incluye el sesgo dependiente de la escala inducido por PNG ($\Delta b \propto f_{\text{loc}}^{\text{NL}}/k^2$).
  • Se consideran restricciones integrales (radiales y angulares) que afectan las mediciones a grandes escalas, estimadas mediante simulaciones.
  • Simulaciones (EZmocks): Se utilizan 1000 simulaciones EZmocks para construir matrices de covarianza, validar el método sin sesgo y estimar la ganancia esperada al combinar muestras.
  • Estimación de Parámetros: Se utiliza una cadena MCMC y el pipeline desilike para estimar $f_{\text{loc}}^{\text{NL}}$, marginalizando sobre sesgos lineales, dispersión de velocidad y ruido de disparo.

3. Contribuciones Clave

• Validación de Correlaciones Cruzadas: Demuestran que las correlaciones cruzadas (especialmente LRG $\times$ QSO) son una herramienta robusta para mitigar sistemáticas residuales que afectan a trazadores individuales.
• Inclusión de ELGs: Proporcionan un marco para incluir a las ELGs en el análisis de PNG a través de sus correlaciones cruzadas, evitando los problemas de sus auto-correlaciones.
• Análisis de Variabilidad: Utilizan un gran número de simulaciones para cuantificar la dispersión estadística esperada, permitiendo distinguir entre mejoras reales y fluctuaciones aleatorias en los datos.

4. Resultados

• Línea Base (LRG + QSO): La combinación de auto-correlaciones de LRG y QSO arroja $f_{\text{loc}}^{\text{NL}} = -2.5^{+9.5}_{-9.4}$ (68% CL), consistente con resultados previos de DESI DR1.
• Ganancia con LRG $\times$ QSO: Al incluir la correlación cruzada LRG-QSO, la precisión mejora en un ~9%, resultando en:
  $$f_{\text{loc}}^{\text{NL}} = 2.1^{+8.8}_{-8.3} \quad (68\% \text{ CL})$$
  Este resultado coincide con la ganancia esperada del ~8% predicha por las simulaciones.
• Inclusión de ELGs (LRG + QSO + LRGxQSO + ELGs + sus cruzadas):
  • Las simulaciones predijeron una ganancia total de ~16% al incluir todas las muestras.
  • Sin embargo, en los datos reales, la ganancia adicional fue nula (la precisión se mantuvo en ~8% respecto a la línea base, con $f_{\text{loc}}^{\text{NL}} = -4.9^{+8.0}_{-9.6}$).
  • Interpretación: La falta de mejora adicional en los datos es consistente con la dispersión estadística esperada (el 28% de las simulaciones mostraron una ganancia menor). No se detectó un sesgo sistemático significativo, pero tampoco una mejora estadística real más allá de la correlación LRG-QSO.
• Comparación con otros estudios: Al actualizar los parámetros de sesgo de ensamblaje ($p$) basados en estudios recientes, el estudio obtiene la restricción más estricta hasta la fecha basada solo en espectros de potencia: $f_{\text{loc}}^{\text{NL}} = 1.9^{+7.6}_{-6.8}$ (usando $p=0.55$ para LRGs y $p=1.4$ para QSOs).

5. Significado y Conclusiones

• Robustez: La inclusión de la correlación cruzada LRG-QSO es un método robusto y esencial para mejorar las restricciones de PNG en DESI. Se recomienda que todos los futuros análisis de PNG de DESI incluyan esta correlación.
• Futuro de las ELGs: Aunque las ELGs no mejoraron la precisión en DR1 debido a la dispersión estadística y las sistemáticas, el marco metodológico está listo. Se espera que muestras de ELGs más completas y limpias en futuras liberaciones (DR2 y más allá) alcancen las ganancias de precisión predichas por las simulaciones (~16%).
• Próximo Paso: El análisis se extenderá a DESI DR2, donde se incluirán las covarianzas cruzadas entre QSOs y otros trazadores, y se realizarán pruebas más rigurosas de sistemáticas de imagen para optimizar el uso de las ELGs a grandes escalas.

En resumen, este trabajo establece un nuevo estándar para el análisis de PNG en DESI, demostrando que las correlaciones cruzadas entre trazadores son la clave para superar las limitaciones sistemáticas y mejorar la precisión cosmológica.