(The) Wiggles going non-linear

Resumen Técnico: Las Oscilaciones de los Wiggles se vuelven No Lineales

Planteamiento del Problema
Las observaciones cosmológicas actuales son consistentes con una inflación de rodadura lenta (slow-roll) simple, que predice un espectro de potencia primordial (PPS) casi invariante de escala. Sin embargo, muchos escenarios inflacionarios bien motivados predicen "wiggles" (oscilaciones o estructuras dependientes de la escala localizadas) en el PPS. Aunque las observaciones del Fondo Cósmico de Microondas (CMB) restringen estas características, estas se ven limitadas por la varianza cósmica en escalas grandes y por la difusión de fotones en escalas pequeñas. Los sondeos de la estructura a gran escala (LSS) (por ejemplo, DESI, Euclid, LSST) ofrecen una sonda complementaria con acceso a un vasto número de modos de Fourier.

El desafío principal al utilizar datos de LSS para detectar los wiggles primordiales es la evolución no lineal de la estructura. En escalas pequeñas ($k \gtrsim 0.1 \, h/\text{Mpc}$), la evolución gravitacional acopla los modos de Fourier, suavizando las estructuras oscilatorias inicialmente coherentes y amortiguando las características en el espectro de potencia de materia tardío. La teoría lineal estándar falla en este régimen. Si bien las simulaciones de N-cuerpos proporcionan predicciones precisas, son computacionalmente prohibitivas para los extensos barridos de parámetros requeridos en la inferencia cosmológica. Por el contrario, los modelos semianalíticos existentes a menudo asumen PPS de ley de potencia suaves y no tienen en cuenta el amortiguamiento específico de las características oscilatorias.

Metodología
Los autores emplean una estrategia de múltiples pasos para modelar y validar el amortiguamiento no lineal de las oscilaciones primordiales:

1. Marco Teórico:

   • Definen el PPS utilizando plantillas oscilatorias fenomenológicas: oscilaciones lineales ($\cos[\omega k/k_* + \phi]$) y oscilaciones logarítmicas ($\cos[\omega \ln(k/k_*) + \phi]$).
   • Para mitigar el ruido de las simulaciones y los sistemáticos numéricos, utilizan el espectro de potencia de materia relativo, $\delta(k) = [P_m(k, \text{feature}) - P_m(k, \text{ref})] / P_m(k, \text{ref})$. En la teoría lineal, esta cantidad aísla directamente la característica oscilatoria.
   • Adoptan un modelo de amortiguamiento semianalítico (siguiendo a Ballardini et al.) donde el espectro relativo no lineal se modela como la oscilación lineal multiplicada por una envolvente de amortiguamiento gaussiana:
     $$\delta_{fit}(k) = A \cos[\omega f(k) + \phi] \exp\left[-\frac{k^2 \Sigma^2(\omega, z)}{2}\right]$$
     Aquí, $\Sigma(\omega, z)$ es una función de amortiguamiento efectiva que depende de la frecuencia y el desplazamiento al rojo (redshift).

2. Simulaciones de N-cuerpos:

   • Se realizaron simulaciones de alta resolución de materia oscura únicamente utilizando $1024^3$ partículas en una caja de $1024 \, h^{-1}\text{Mpc}$.
   • Estrategia de pares emparejados: Para cada configuración de característica, se generó una simulación de "característica" y una simulación de "referencia" (sin característica) utilizando la misma semilla aleatoria para cancelar la varianza de la muestra.
   • Las simulaciones cubrieron números de onda $0.05 \le k \le 0.6 \, h/\text{Mpc}$ y desplazamientos al rojo $z \in \{0, 1, 2, 3, 4, 5\}$.
   • Se fijó una amplitud de modulación de $A=0.03$, consistente con las restricciones actuales del CMB.

3. Calibración y Validación:

   • La función de amortiguamiento $\Sigma(\omega, z)$ se calibró ajustando la plantilla semianalítica a los espectros de potencia relativos simulados.
   • Diagnósticos: Los autores evaluaron la validez del modelo utilizando diagnósticos de residuos (residuo absoluto máximo y RMS global) frente a una precisión objetivo de $\epsilon_0 = 5 \times 10^{-3}$ (nivel sub-porcentual).
   • Cuantificación de la Incertidumbre: La varianza de la simulación se estimó utilizando cuatro pares adicionales de elementos emparejados con semillas independientes, suavizados mediante ajuste polinómico para evitar artefactos de ponderación inducidos por el ruido en la verosimilitud (likelihood).

4. Emulación:

   • Dado que los análisis de verosimilitud requieren la evaluación continua de $\Sigma(\omega, z)$, los autores utilizaron la Regresión de Procesos Gaussianos (GPR) para interpolar la rejilla de calibración discreta.
   • El emulador GPR incorpora la incertidumbre estadística de los ajustes de calibración como ruido de entrenamiento, proporcionando una predicción continua y consciente de la incertidumbre de la función de amortiguamiento.

5. Prueba de Recuperación de Información:

   • Se realizó un análisis de tipo Fisher utilizando una configuración espectroscópica similar a la de Euclid para comparar tres escenarios:
     • Rango Completo sin Amortiguamiento: Caso idealizado sin amortiguamiento.
     • Rango Completo con Amortiguamiento: Utiliza el modelo de amortiguamiento calibrado por GPR sobre el rango completo de $k$.
     • Solo Lineal: Restringe el análisis a las escalas donde el amortiguamiento es despreciable (corte conservador).

Resultados Clave

• Dominio de Validez: El modelo de amortiguamiento gaussiano de un solo parámetro se valida para:
  • Oscilaciones logarítmicas: $0.8 \le \log_{10}\omega \le 2.0$.
  • Oscilaciones lineales: $0.4 \le \log_{10}\omega \le 1.2$.
  • Para oscilaciones logarítmicas con $\log_{10}\omega < 0.8$, los residuos exceden el umbral de precisión en tiempos tardíos, lo que indica que el modelo de un solo parámetro es insuficiente.
• Consistencia de la Calibración: Los valores de $\Sigma$ calibrados concuerdan con trabajos previos (Ballardini et al.) al nivel de unos pocos porcentajes donde las frecuencias se solapan.
• Desempeño del Emulador: El emulador GPR interpola con éxito la función de amortiguamiento a través del dominio validado de frecuencia y desplazamiento al rojo, con incertidumbres predictivas comparables a la incertidumbre estadística de los datos de entrenamiento.
• Recuperación de Información: En la comparación tipo Euclid para wiggles logarítmicos:
  • El modelado del amortiguamiento no lineal recupera una fracción sustancial de la información perdida por los cortes conservadores de solo la región lineal.
  • Amplitud ($A$): La incertidumbre se redujo en $\sim 40\%$ en comparación con el caso de solo lineal.
  • Frecuencia ($\log_{10}\omega$): La incertidumbre se redujo en $\sim 65\%$ (una mejora de casi un factor de tres).
  • Fase ($\phi$): La incertidumbre mejoró en $\sim 10\%$.
  • Las restricciones del rango completo con amortiguamiento se mantienen dentro de un factor de orden unidad respecto al caso idealizado sin amortiguamiento.

Significancia y Reivindicaciones
El artículo afirma establecer una ruta práctica, calibrada mediante simulaciones, para incorporar los wiggles primordiales en los análisis de verosimilitud de LSS no lineales. Al demostrar que un modelo de amortiguamiento simple y físicamente motivado puede predecir el espectro de potencia de materia con una precisión sub-porcentual (para frecuencias suficientemente altas), los autores argumentan que es factible buscar wiggles inflacionarios en los próximos datos de LSS sin descartar las escalas no lineales donde reside la mayor parte de la información.

El trabajo enfatiza la importancia de identificar el dominio de validez de tales modelos. Los autores advierten que, si bien el enfoque funciona bien para modulaciones de alta frecuencia, las características logarítmicas de baja frecuencia requieren prescripciones más flexibles. El estudio concluye que, con el emulador de amortiguamiento calibrado, los próximos sondeos pueden mejorar significativamente las restricciones sobre las características primordiales en comparación con los análisis restringidos al régimen lineal.