\texttt{SWIM}: Stochastic Warm Inflation Module to generate and analyse Warm Inflationary power spectrum

Presentamos \texttt{SWIM}, un módulo de código abierto desarrollado en C++ y Python que permite generar espectros de potencia de inflación cálida de forma numérica y semi-analítica, integrándose con Cobaya para realizar análisis de parámetros mediante MCMC y contrastar modelos con datos observacionales de la CMB de manera eficiente.

Lo esencial

El "Simulador de Cocina Cósmica": Entendiendo el módulo SWIM

Imagina que quieres entender cómo se creó el universo después del Big Bang. La mayoría de los científicos usan una receta llamada "Inflación Fría", que dice que el universo se expandió de forma súper rápida y luego se enfrió de golpe, como si alguien hubiera abierto una ventana en una habitación congelada.

Pero hay otra teoría llamada "Inflación Cálida". En esta versión, el universo no solo se expande, sino que mientras lo hace, está "cocinándose". Hay una energía (el campo del inflatón) que se va transformando constantemente en calor (radiación). Es como una sopa que se está calentando mientras la revuelves: el movimiento genera calor y ese calor mantiene la sopa viva.

El problema: La receta es demasiado complicada

El problema es que esta "sopa cósmica" es increíblemente difícil de calcular. En la Inflación Fría, la receta es simple. Pero en la Inflación Cálida, todo está mezclado: el calor afecta al movimiento, y el movimiento afecta al calor. Es como intentar predecir exactamente cómo se moverá cada burbuja de aire en una olla de sopa hirviendo mientras la cocina está en movimiento.

Hasta ahora, los científicos tenían dos problemas:

1. Las aproximaciones: Como la matemática es tan difícil, usaban "atajos" (como decir "supongamos que la sopa siempre está a la misma temperatura"), pero esos atajos daban resultados con errores.
2. La lentitud: Si intentabas hacer el cálculo real, sin atajos, la computadora tardaba una eternidad, como si intentaras predecir el clima de todo el año segundo a segundo.

La solución: SWIM (El Chef Inteligente)

Aquí es donde entran los autores (Umang Kumar y Suratna Dasa) con su nuevo programa llamado SWIM. Imagina que SWIM es un Chef Supercomputador que tiene tres superpoderes:

1. El Calculador de Ajustes (El "Corrector de Sabor"): En lugar de usar una receta aproximada y aceptar el error, SWIM calcula exactamente cuánto se desvía la receta real de la receta simplificada. Es como si supieras que tu sopa está un poco salada por el atajo, y SWIM te dice: "Oye, añade exactamente tres gotas de agua para que sepa como la receta original".

2. El Simulador de Alta Precisión: SWIM puede simular la "sopa cósmica" de forma totalmente real, sin trucos, permitiendo a los científicos ver cómo se comportan las partículas de verdad.

3. El Aprendiz de Inteligencia Artificial (El "Chef Predictor"): Este es el mayor truco. Como hacer la simulación real es muy lento, SWIM usa una técnica de Machine Learning (Aprendizaje Automático). Al principio, el Chef cocina la sopa real con mucho cuidado. Pero, a medida que cocina, empieza a aprender los patrones. ¡Se vuelve tan listo que empieza a "predecir" cómo sabrá la sopa sin tener que cocinarla desde cero! Esto hace que el proceso sea miles de veces más rápido, permitiendo comparar la teoría con los datos reales que recibimos de los telescopios (como el satélite Planck).

¿Por qué es esto importante?

Gracias a SWIM, ahora podemos poner a prueba las teorías de la Inflación Cálida de una manera que antes era imposible. Podemos tomar los datos reales del cielo y preguntarle a SWIM: "¿Esta sopa cósmica que vemos en las estrellas coincide con tu receta?".

Si la respuesta es sí, habremos descubierto una forma mucho más precisa de entender cómo nació todo lo que conocemos. Si es no, habremos descartado una teoría con una precisión matemática sin precedentes.

En resumen: SWIM es como pasar de cocinar con una receta vieja y borrosa a tener un chef robótico con inteligencia artificial que puede simular la cocina más compleja del universo en cuestión de segundos.

Resumen técnico

Resumen Técnico: SWIM (Stochastic Warm Inflation Module)

1. El Problema: Limitaciones en el análisis de la Inflación Cálida (WI)

El paradigma de la Inflación Cálida (Warm Inflation - WI) propone que el campo del inflatón no está aislado, sino que interactúa continuamente con un baño de radiación subdominante mediante procesos disipativos. A diferencia de la Inflación Fría (CI), esto introduce una dinámica de múltiples componentes que hace que las ecuaciones de perturbación sean estocásticas y complejas.

Los autores identifican tres problemas críticos en las herramientas actuales:

• Inexactitud Analítica: Las soluciones analíticas del espectro de potencia escalar suelen requerir aproximaciones (como asumir que el coeficiente de disipación $\Upsilon$ no depende de la temperatura $T$). Para corregir esto, se usa un factor de corrección $G(Q)$, pero este factor es difícil de calcular.
• Sesgo en la Estimación de Parámetros: Se ha asumido que $G(Q)$ depende solo de la relación de fricción $Q$. Sin embargo, este estudio demuestra que $G(Q)$ también depende de otros parámetros del modelo (como la normalización del potencial $V_0$ o los grados de libertad relativistas $g_*$). Usar un $G(Q)$ precalculado para un solo conjunto de parámetros introduce sesgos sistemáticos en los análisis de MCMC (Markov Chain Monte Carlo).
• Incompatibilidad con Códigos de Observación: Los códigos existentes (como WarmSPy o WI2easy) no están integrados de forma fluida con herramientas estándar de cosmología como Cobaya o COSMOMC, lo que impide realizar pruebas directas contra los datos del Fondo Cósmico de Microondas (CMB).

2. Metodología: El ecosistema SWIM

Para resolver esto, los autores presentan SWIM, una plataforma desarrollada en C++ y Python que ofrece tres submodulos principales:

1. Submódulo de Cálculo de $G(Q)$: Resuelve las ecuaciones de evolución del fondo y las ecuaciones de perturbación estocásticas (en el gauge Newtoniano) para generar el factor de corrección numéricamente.
2. Submódulo de Espectro de Potencia Semi-analítico: Permite integrar el factor $G(Q)$ en un flujo de trabajo compatible con CAMB y Cobaya para realizar inferencias bayesianas rápidas.
3. Submódulo de Espectro de Potencia Numérico Completo: Este es el núcleo innovador. Resuelve las ecuaciones de perturbación sin aproximaciones y permite alimentar el espectro de potencia directamente a los códigos MCMC.

Innovación en Computación: Emulación mediante Machine Learning
Dado que resolver las ecuaciones estocásticas para cada paso de una cadena MCMC es computacionalmente prohibitivo, SWIM implementa una técnica de Regresión de Bosques Aleatorios (Random Forest Regression - RFR). El emulador aprende "sobre la marcha" (on-the-fly) la relación entre los parámetros del modelo y los parámetros del espectro de potencia ($A_s, n_s, \alpha_s, \beta_s$), reduciendo drásticamente el tiempo de cómputo sin perder precisión.

3. Contribuciones Clave

• Resolución de la estocasticidad: A diferencia de otros códigos que usan la ecuación de Fokker-Planck (determinista), SWIM resuelve directamente las ecuaciones de perturbación estocásticas, permitiendo incluir términos de ruido térmico ($\xi_T$) y cuántico ($\xi_q$) de forma opcional.
• Integración Total: Es el único código disponible que permite un flujo de trabajo completo: desde la definición de un modelo de física de partículas (potencial y coeficiente disipativo) hasta la obtención de restricciones de parámetros mediante datos de la misión Planck, ACT, etc.
• Versatilidad de Modelos: Puede manejar cualquier forma de potencial inflacionario y cualquier coeficiente de disipación, incluyendo modelos complejos de Teoría de Campos Efectivos (EFT).

4. Resultados Principales

• Validación de $G(Q)$: Los resultados de SWIM coinciden con los de WI2easy en los regímenes de disipación débil ($Q \ll 1$) y fuerte ($Q \gg 1$), validando la equivalencia entre el enfoque estocástico y el de Fokker-Planck.
• Demostración de Sesgo: El estudio demuestra mediante un modelo de EFT que si se ignora la dependencia de $G(Q)$ respecto a $V_0$ y $g_*$, los resultados de la inferencia de parámetros son erróneos.
• Eficiencia del Emulador: Las pruebas de inferencia de parámetros utilizando el emulador de Bosques Aleatorios muestran una concordancia excelente con el resolvedor numérico completo, validando la capacidad de SWIM para realizar análisis de alta precisión en tiempos razonables.

5. Significado y Relevancia

SWIM representa un avance significativo para la cosmología teórica. Al proporcionar una herramienta que puede poner a prueba modelos de Inflación Cálida contra los datos observacionales más recientes de manera rigurosa y sin las simplificaciones de décadas anteriores, permite a los investigadores descartar o validar modelos de inflación que son consistentes con las teorías de cuerdas y la teoría de campos, cerrando la brecha entre la física de partículas de alta energía y la cosmología observacional.