Mujic{\Lambda}: Reconstructing Initial Conditions from Incomplete Redshift Surveys with Projected Optimization

Aquí se presenta un resumen técnico detallado del artículo "MujicΛ: Reconstrucción de Condiciones Iniciales en Estudios de Corrimiento al Rojo Realistas con Optimización Aumentada."

1. Planteamiento del Problema

La reconstrucción de las condiciones iniciales (CI) y del campo de densidad subyacente a partir de estudios realistas de corrimiento al rojo de galaxias es un desafío crítico en cosmología. Si bien los métodos de muestreo bayesiano (por ejemplo, BORG, ELUCID) ofrecen una cuantificación robusta de la incertidumbre, son computacionalmente costosos. Por el contrario, los métodos basados en optimización (por ejemplo, estimación MAP) son más rápidos pero sufren una inestabilidad significativa al aplicarse a datos realistas debido a:

• Incompletitud del Estudio: Los estudios reales tienen funciones de selección complejas y cobertura del cielo incompleta, lo que convierte al problema inverso en altamente subconstruido.
• Especificación Incorrecta del Modelo: Las suposiciones simplificadas en los modelos forward (por ejemplo, sesgo de galaxias) pueden llevar a los optimizadores a la "trampa de recompensa" (reward hacking), donde la solución minimiza la función de pérdida desviándose de la realidad física (por ejemplo, produciendo campos no gaussianos) en lugar de recuperar el campo lineal verdadero.
• Violación de la Gaussianidad: Los optimizadores estándar a menudo fallan en mantener el prior gaussiano de las condiciones iniciales, lo que lleva a reconstrucciones no físicas que se desvían de la cosmología $\Lambda$CDM.

2. Metodología: Marco MujicΛ

Los autores presentan MujicΛ (Mapeo del Universo con Reconstrucción de Condiciones Iniciales basada en Jax), un marco basado en optimización diseñado para reconstruir las CI mientras se hace cumplir estrictamente la gaussianidad y la robustez ante la geometría del estudio.

A. Modelo Forward

MujicΛ utiliza un modelo forward diferenciable ($M_\theta$) que mapea las condiciones iniciales a los conteos de galaxias observados:

1. Condiciones Iniciales: Reparametrizadas como variables gaussianas complejas $\tilde{\delta}_{ic} \sim \mathcal{CN}(0, 1)$.
2. Formación de Estructuras: Utiliza JaxPM, un solver de N-cuerpos de malla de partículas diferenciable, para evolucionar el campo desde $z=9$ hasta el día presente ($z=0$) utilizando pasos de 2LPT y FastPM.
3. Efectos Observacionales: Incorpora efectos de cono de luz, Distorsiones en el Espacio de Corrimiento al Rojo (RSD) y un modelo de sesgo de galaxias (sesgo de ley de potencia con un corte suave).
4. Respuesta del Estudio: Modela explícitamente la incompletitud del estudio mediante una función de respuesta $R$, que actúa como una máscara sobre la densidad de galaxias predicha.
5. Verosimilitud: Asume una distribución de Poisson para los conteos de galaxias en las celdas de la malla, optimizando la log-verosimilitud $\mathcal{L}$.

B. Estrategia de Optimización Aumentada

A diferencia de los enfoques estándar de Máxima A Posteriori (MAP), MujicΛ optimiza la verosimilitud sujeta a restricciones que hacen cumplir el prior gaussiano. Emplea dos mecanismos clave:

1. L-BFGS Proyectado (PGD):

   • Utiliza el algoritmo Limited-memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) para una optimización eficiente a gran escala.
   • Operador de Proyección: Después de cada paso de gradiente, la solución se proyecta de nuevo sobre el conjunto factible de condiciones iniciales gaussianas. Esto implica:
     • Normalización Z-score: Hacer cumplir una media cero y una desviación estándar unitaria.
     • Recorte/Reinicio: Reiniciar valores extremos (valores atípicos) que exceden un umbral ($s_{th}=10$) a sorteos gaussianos aleatorios, previniendo divergencias no físicas.

2. Ajuste de Orden de Rango:

   • Se aplica periódicamente durante la optimización tanto en el espacio real como en el espacio de Fourier (dentro de rangos específicos de $k$).
   • Mecanismo: El algoritmo ordena los valores actuales del campo y los reemplaza con valores extraídos de la distribución gaussiana objetivo, preservando el orden de rango original.
   • Propósito: Esto actúa como una "proyección generalizada" que hace cumplir estrictamente la función de densidad de probabilidad (PDF) completa del prior, corrigiendo desviaciones que el operador de proyección podría pasar por alto. También ayuda al optimizador a escapar de mínimos locales.

C. Estrategia de Entrenamiento

Para acelerar la convergencia, los autores utilizan una estrategia de recocido:

• Primero, se realiza una reconstrucción de baja resolución ($4 \text{ cMpc}/h$).
• El campo resultante sirve como suposición inicial para la ejecución de resolución completa ($1.95 \text{ cMpc}/h$).
• El ajuste de orden de rango se aplica cada 5 iteraciones (baja resolución) y cada 20 iteraciones (alta resolución).

3. Contribuciones Clave

• Marco de Optimización Novel: MujicΛ es uno de los pocos códigos basados en optimización que mantiene explícitamente la gaussianidad de las condiciones iniciales mientras modela efectos de estudio realistas (incompletitud, funciones de selección) hasta escalas de megapársec.
• Robustez ante la Incompletitud: Al combinar operadores de proyección con ajuste de orden de rango, el método previene que el optimizador diverja en regiones con mala cobertura de datos (fuera de la máscara del estudio).
• Pipeline Diferenciable: La integración de JaxPM permite una diferenciabilidad de extremo a extremo, habilitando una optimización basada en gradientes eficiente con modelos forward complejos.
• Recuperación de la Red Cósmica: El marco recupera con éxito la topología de la red cósmica (vacíos, láminas, filamentos, nudos) a pesar de la naturaleza subconstruida del problema.

4. Resultados

El método fue validado utilizando un catálogo de cono de luz simulado derivado de la simulación Millennium (modelo semi-analítico H15) con una geometría de estudio que imita un estudio espectroscópico de gran campo ($0.07 < z < 0.22$, corte angular de $20^\circ$).

• Preservación de la Gaussianidad: Los histogramas de las condiciones iniciales reconstruidas tanto en el espacio real como en el espacio de Fourier se alinean perfectamente con una distribución gaussiana, a diferencia del L-BFGS estándar que produce valores atípicos no gaussianos.
• Reconstrucción del Campo de Densidad:
  • Visual: El campo de densidad reconstruido recupera con precisión protocúmulos masivos y estructuras filamentarias dentro de la ventana del estudio.
  • Cuantitativo:
    • El coeficiente de correlación ($r_c$) entre la verdad y la reconstrucción es 0.54 con un suavizado de $2 \text{ cMpc}/h$ y 0.78 con $8 \text{ cMpc}/h$.
    • Dentro de la ventana del estudio, $r_c$ se mantiene alto ($>0.8$) hasta $k \approx 0.1 \text{ h/cMpc}$.
    • Fuera de la ventana del estudio, el campo permanece no correlacionado con la verdad (como se espera), demostrando que el método no alucina estructuras en regiones no observadas.
• Espectros de Potencia: El espectro de potencia de la materia reconstruido ($P_{mm}$) coincide con la verdad dentro de 0.3 dex hasta $k = 1 \text{ h/cMpc}$.
• Clasificación de la Red Cósmica:
  • Recuperación de Vacíos/Láminas: $\sim60\%$ de los vacíos y láminas se clasifican correctamente.
  • Recuperación de Filamentos/Nudos: Menor precisión; los filamentos a menudo se clasifican erróneamente como láminas debido a una recuperación imperfecta de los picos de alta densidad.
  • Recuperación de Vectores Propios: Los vectores propios del tensor de deformación (cruciales para estudios de alineación intrínseca) muestran altas tasas de recuperación, con $>70\%$ de los vóxeles teniendo $|\cos \theta| > 0.6$ para el autovalor más grande.

5. Significado y Aplicaciones Futuras

• Estudios de Nueva Generación: MujicΛ está específicamente adaptado para futuros estudios a gran escala como Subaru PFS, DESI, Euclid y Roman, que presentan geometrías complejas y cobertura incompleta del cielo.
• Simulaciones Constrainidas: Las CI reconstruidas pueden servir como suposiciones iniciales de alta calidad para muestreadores bayesianos (por ejemplo, MaiGO), acelerando significativamente la convergencia para la inferencia a nivel de campo.
• Estudios de Evolución de Galaxias: Al proporcionar un campo de densidad 3D y clasificación de la red cósmica, MujicΛ permite estudios ambientales de la evolución de galaxias y del medio intergaláctico (IGM).
• Escalabilidad: El marco es modular y puede incorporar modelos forward más sofisticados (por ejemplo, sesgo lagrangiano, gradientes de redes neuronales) y datos de múltiples trazadores (por ejemplo, bosque Lyman-$\alpha$, FRBs) en iteraciones futuras.

En resumen, MujicΛ cierra la brecha entre la velocidad de los métodos basados en optimización y la fidelidad física requerida para el análisis cosmológico realista, ofreciendo una herramienta robusta para descifrar la red cósmica a partir de datos observacionales incompletos.