Smokescreen: A Python package for data vector blinding and encryption in cosmological analyses

Resumen Técnico: Smokescreen

1. El Problema
Los análisis cosmológicos modernos requieren estrategias robustas de "ceguera" (blinding) para evitar el sesgo del experimentador. Sin embargo, la cosmología presenta desafíos únicos:

• Solo podemos observar un único universo, lo que dificulta la implementación de métodos de doble ciego o incluso de un solo ciego tradicionales.
• Las señales cosmológicas no son eventos localizados, sino patrones estadísticos distribuidos en grandes conjuntos de datos (como funciones de correlación o espectros de potencia), lo que impide ocultar simplemente una "región de señal".
• Sin un enfoque principiado, los analistas corren el riesgo de ajustar inconscientemente sus pipelines hacia un resultado esperado o hacia resultados de otros experimentos, comprometiendo la integridad científica.
• Aunque existen métodos previos (a nivel de catálogos, covarianza o posterior), carecían de una implementación estandarizada, reproducible y fácil de integrar en los pipelines de colaboración, especialmente para experimentos de múltiples sondas como el LSST (Legacy Survey of Space and Time).

2. Metodología
Smokescreen es una biblioteca de código abierto en Python que implementa la estrategia de ceguera del vector de datos propuesta por Muir et al. (2020). El enfoque se basa en aplicar desplazamientos dependientes de la cosmología al vector de datos observado, moviéndolo lejos de la señal cosmológica real sin alterar sus propiedades estadísticas.

El proceso se ejecuta en cinco pasos clave:

1. Generación de Desplazamientos: El usuario define distribuciones de desplazamiento (determinista, uniforme o gaussiana) para los parámetros cosmológicos ($\Delta\theta$).
2. Construcción de Cosmología Oculta: Se crea una cosmología "ciega" ($\theta_{blind}$) sumando el desplazamiento a una cosmología de referencia ($\theta_{ref}$): $\theta_{blind} = \theta_{ref} + \Delta\theta$.
3. Cálculo de Vectores Teóricos: Utilizando el framework de verosimilitud Firecrown (común en el ecosistema LSST DESC), se calculan los vectores teóricos tanto para la cosmología de referencia como para la ciega, manteniendo los parámetros de nuisance ($s_{ref}$) fijos.
   • $d_{ref} = T(\theta_{ref}, s_{ref})$
   • $d_{blind} = T(\theta_{blind}, s_{ref})$
4. Factor de Ceguera: Se calcula un factor de ceguera, ya sea aditivo ($f_{add} = d_{blind} - d_{ref}$) o multiplicativo ($f_{mult} = d_{blind} / d_{ref}$).
5. Aplicación: El factor se aplica al vector de datos medido ($d_{obs}$) para generar el vector oculto ($\hat{d}$).

Características de Seguridad y Diseño:

• Encriptación: El archivo SACC original (que contiene la cosmología real) se encripta automáticamente usando Fernet (AES-128-CBC + HMAC-SHA256) y se elimina por defecto. La clave se almacena por separado para evitar el desenmascaramiento accidental.
• Integración: El paquete utiliza la misma librería de verosimilitud (Firecrown) que se usará para la inferencia final, garantizando que el modelo teórico para la ceguera sea idéntico al de la inferencia.
• Arquitectura: Se basa en una clase principal ConcealDataVector que separa las responsabilidades en: perturbación de parámetros, cálculo de vectores teóricos, seguridad (encriptación) y orquestación.
• Validación: Incluye pruebas estrictas (94% de cobertura de código) que verifican la corrección física de los factores de ceguera y la consistencia de los archivos SACC.

3. Contribuciones Clave

• Primera herramienta estandarizada: Smokescreen es la primera implementación de código abierto diseñada específicamente para la ceguera de vectores de datos en análisis cosmológicos multi-sonda, integrándose nativamente con el ecosistema de software de LSST DESC.
• Reproducibilidad y Transparencia: Permite que la comunidad inspeccione y verifique cómo se calculan los desplazamientos de ceguera antes y después del desenmascaramiento.
• Flexibilidad: Aunque desarrollado para LSST, es aplicable a cualquier experimento que utilice verosimilitudes Firecrown y el formato de datos SACC.
• Seguridad Robusta: Implementa un protocolo de encriptación y gestión de claves que previene el desenmascaramiento accidental, cumpliendo con los criterios de seguridad definidos por Muir et al. (2020).

4. Resultados y Validación
El paquete fue probado utilizando un vector de datos simulado de LSST Year 1 (3x2 puntos: cizallamiento cósmico, lente galaxia-galaxia y agrupamiento de galaxias).

• Pruebas de Ceguera: Se generaron dos realizaciones ("Blind A" y "Blind B") con desplazamientos deterministas en los parámetros $A_s$ y $w$.
• Validación Cosmológica: Se realizó una inferencia utilizando CosmoSIS y Firecrown sobre los datos cegados. Los resultados mostraron que:
  • Las distribuciones posteriores se desplazaron consistentemente hacia las cosmologías de entrada ciegas.
  • La bondad de ajuste ($\chi^2_{red}$) permaneció inalterada, cumpliendo el criterio de que la ceguera no debe afectar la validez estadística del ajuste.
  • La evidencia bayesiana ($\log Z$) no mostró diferencias significativas entre los casos cegados y no cegados, confirmando que los análisis cegados son estadísticamente indistinguibles de los reales.
• Degeneraciones: Se observó que, aunque solo $A_s$ y $w$ fueron desplazados, el parámetro $\Omega_{cdm}$ (que no fue desplazado) mostró un ligero cambio en su posterior debido a las degeneraciones conocidas ($A_s$-$\Omega_{cdm}$-$w$), demostrando que el método preserva la estructura física de las correlaciones entre parámetros.

5. Significado e Impacto
Smokescreen representa un avance crucial hacia una infraestructura de ceguera consistente y verificable para la era de las encuestas de "Etapa IV" (Stage-IV) en cosmología.

• Estandarización: Elimina las inconsistencias que surgen cuando diferentes equipos de análisis implementan métodos de ceguera ad hoc.
• Adopción Amplia: Ya está siendo adoptado por la colaboración LSST DESC y por el KiDS (Kilo Degree Survey) para sus análisis de legado futuros.
• Integridad Científica: Al asegurar que los modelos de ceguera y de inferencia sean idénticos y al prevenir el sesgo inconsciente, Smokescreen fortalece la fiabilidad de las mediciones de energía oscura y materia oscura en los próximos años.

El software está disponible bajo licencia BSD 3-Clause en GitHub (LSSTDESC/Smokescreen) y puede instalarse vía Conda o PyPI.