On the Relation Between Field-Level Posteriors, Correlators, and their Likelihoods

A continuación se presenta un resumen técnico detallado del artículo "On the Relation Between Field-Level Posteriors, Correlators, and their Likelihoods" de Massimo Pietroni y Fabian Schmidt.

1. Planteamiento del Problema

El análisis estadístico de la Estructura a Gran Escala (LSS) en cosmología ha dependido tradicionalmente de estadísticos resumen, principalmente el espectro de potencia ($P$) y el bispectro ($B$). Aunque este enfoque es computacionalmente eficiente, implica comprimir el campo de datos completo en un conjunto finito de observables, planteando una pregunta crítica: ¿Qué información se pierde durante esta compresión?

Por el contrario, la inferencia a nivel de campo (analizar directamente el campo de densidad completo $\delta_d$) promete acceder al contenido informativo total. Sin embargo, los métodos a nivel de campo a menudo se consideran vinculados a expansiones perturbativas específicas, algoritmos de reconstrucción o implementaciones numéricas de alta dimensión, lo que dificulta compararlos sistemáticamente con los análisis estándar basados en correladores. Existe una falta de un marco unificado para:

1. Cuantificar la pérdida de información inducida por la compresión del campo en estadísticos resumen.
2. Comprender cómo las covarianzas cruzadas entre diferentes estadísticos (por ejemplo, $P$ y $B$) reconstruyen la información del campo completo.
3. Aclarar la relación entre la inferencia a nivel de campo y la reconstrucción de las condiciones iniciales.

2. Metodología

Los autores desarrollan una Posterior a Nivel de Campo (FLP) para datos cosmológicos que es no perturbativa con respecto al modelo directo. La metodología central implica:

• Modelo Directo General: El campo observado $\delta_d$ se modela como una función de las condiciones iniciales ($\delta_{in}$) y una realización de ruido ($\epsilon$). La FLP se deriva marginalizando sobre estas variables latentes.
• Expansión en Correladores Conectados: En lugar de expandir en teoría de perturbaciones (SPT), los autores expanden la FLP alrededor de su límite gaussiano.
  • La parte "gaussiana" ($L_g$) se define utilizando el espectro de potencia totalmente no lineal ($W_2$) del modelo directo, no el lineal. Esto absorbe toda la información de dos puntos en la línea base gaussiana.
  • Las no gaussianidades se organizan como una expansión en correladores conectados de orden superior ($W_3, W_4, \dots$) utilizando funcionales de Hermite ($H_j$).
• Descomposición de la Matriz de Fisher: Los autores derivan la matriz de Fisher para la FLP y la reorganizan en una serie de contribuciones etiquetadas por los correladores conectados ($W_j$). Esto permite una comparación término a término entre la información del campo completo y la información contenida en estadísticos resumen específicos.
• Comparación con Funciones de Verosimilitud Comprimidas: Construyen funciones de verosimilitud para estadísticos resumen (Espectro de Potencia, Bispectro y $P+B$ conjunta) integrando la FLP sobre el campo de datos restringido por los estimadores. Luego comparan las matrices de Fisher resultantes con la matriz de Fisher a nivel de campo descompuesta.

3. Contribuciones Clave

A. Marco Unificado para la Cuantificación de Información

El artículo establece que la información en la FLP puede reorganizarse como la información contenida en una jerarquía infinita de correladores, siempre que se retenga su matriz de covarianza completa (incluyendo todas las covarianzas cruzadas).

• Espectro de Potencia ($P$): La función de verosimilitud gaussiana estándar para $P$ recupera solo la parte gaussiana de la matriz de Fisher a nivel de campo. Pierde términos que surgen de la correlación cruzada entre $P$ y estadísticos de orden superior (como el bispectro).
• Bispectro ($B$): Una función de verosimilitud gaussiana para $B$ recupera la contribución gaussiana al bloque del bispectro, pero falla en capturar los términos de covarianza cruzada entre $P$ y $B$.
• La Covarianza Cruzada es Crucial: Los autores demuestran que incluir la covarianza cruzada entre el espectro de potencia y el bispectro es necesario para recuperar los términos en la matriz de Fisher a nivel de campo que faltan en los análisis de un solo estadístico. La información del campo completo se recupera solo cuando la jerarquía se trunca en cierto orden y se incluyen todas las covarianzas cruzadas hasta ese orden.

B. Construcción No Perturbativa

A diferencia de los enfoques anteriores a nivel de campo (por ejemplo, teoría de perturbación inversa) que dependen de resoluciones de cuadrícula específicas o límites sin ruido, esta formulación:

• Es válida para cualquier observable débilmente no gaussiano.
• Se aplica por igual a cálculos perturbativos, predicciones basadas en simulaciones y teorías de campo efectivas (EFTofLSS).
• Trata el ruido a nivel de correlador en lugar de requerir realizaciones explícitas de ruido, permitiendo una conexión directa con los términos estocásticos de EFTofLSS.

C. Reconstrucción Óptima de Condiciones Iniciales

El formalismo produce naturalmente el estimador óptimo para las condiciones iniciales ($\delta_{in}$) dados los datos observados y el modelo de ruido.

• El campo reconstruido emerge como un subproducto de la transformada de Legendre del funcional generador.
• En el orden más bajo (aproximación gaussiana), esto recupera el filtro de Wiener estándar.
• En órdenes superiores, incluye correcciones no lineales (involucrando $W_3, W_4$, etc.), proporcionando una manera sistemática de mejorar la reconstrucción más allá de la teoría lineal.

4. Resultados Clave

• Descomposición de la Matriz de Fisher: El elemento de la matriz de Fisher a nivel de campo $F_{ab}$ se descompone en contribuciones $F^{(i,j)}_{ab}$ que involucran derivadas de correladores $W_i$ y $W_j$.
  • El bloque "2-2" (Espectro de Potencia) contiene un término gaussiano, un término presente en la matriz de Fisher solo-$P$ (involucrando $W_4$) y un término "auténtico" a nivel de campo que involucra correladores conectados de orden superior ($W_j$ para $j \ge 5$) que se pierden si solo se usa $P$.
  • Estos términos "perdidos" se recuperan en el análisis $P+B$ solo cuando se incluye la covarianza cruzada entre $P$ y $B$.
• Recuperación de la Escala BAO: Los autores aplican el marco a la escala de las Oscilaciones Acústicas Bariónicas (BAO). Muestran que la amortiguación de la señal BAO debido a modos de longitud de onda larga (que usualmente requiere técnicas de reconstrucción) se captura naturalmente en la FLP.
  • La pérdida de información en el espectro de potencia debido al acoplamiento de modos se compensa exactamente con la información ganada del bispectro (específicamente las configuraciones de límite comprimido).
  • Esto demuestra que el campo completo contiene toda la información requerida para una reconstrucción óptima de BAO en presencia de ruido, e identifica los términos específicos de correlador necesarios para saturar este límite.
• Régimen de Validez: La expansión está controlada por la magnitud de los correladores de orden superior en relación con el espectro de potencia. El artículo proporciona criterios para cuándo las aproximaciones gaussianas para estadísticos resumen son suficientes y cuándo se requieren correcciones de covarianza no gaussiana (o un análisis completo a nivel de campo).

5. Significado

• Unificación Teórica: El artículo cierra la brecha entre la cosmología "a nivel de campo" y la "basada en correladores". Muestra que no son enfoques competitivos, sino más bien diferentes truncamientos de la misma jerarquía de información subyacente.
• Cuantificación de la Pérdida de Información: Proporciona un método riguroso y cuantitativo para determinar exactamente cuánta información se descarta al pasar del campo completo a estadísticos resumen como $P$ o $P+B$.
• Orientación Práctica: Aclara que simplemente añadir el bispectro al espectro de potencia es insuficiente; se debe incluir la covarianza cruzada para evitar errores sesgados en los parámetros.
• Perspectivas sobre Reconstrucción: Ofrece una nueva perspectiva sobre la reconstrucción de condiciones iniciales, mostrándola como una consecuencia natural de la inferencia a nivel de campo en lugar de un paso algorítmico separado.
• Aplicaciones Futuras: El marco está diseñado para ser compatible con la inferencia basada en simulaciones (emuladores, sustitutos de ML) y EFTofLSS, convirtiéndolo en una herramienta versátil para las encuestas de galaxias de próxima generación (por ejemplo, Euclid, DESI, LSST) que avanzan hacia el régimen débilmente no lineal.

En resumen, Pietroni y Schmidt proporcionan una base matemática rigurosa que unifica la inferencia a nivel de campo y la basada en correladores, demostrando que la información "faltante" en los análisis comprimidos es precisamente la información correlacionada cruzadamente entre diferentes órdenes de la jerarquía de correlación.