Cluster Mass Inference from Galaxy Kinematics

Resumen Técnico: Inferencia de la Masa de Cúmulos a partir de la Cinemática de Galaxias

Planteamiento del Problema
Las masas de los cúmulos de galaxias son fundamentales para restringir los parámetros cosmológicos, particularmente la amplitud de las fluctuaciones de la materia y la suma de las masas de los neutrinos. Aunque existen diversas estrategias observacionales (rayos X, efecto Sunyaev-Zel'dovich, lensing débil, riqueza óptica), los métodos cinemáticos basados en la dispersión de velocidad de las galaxias enfrentan desafíos significativos. Los enfoques tradicionales dependen de la relación clásica $M-\sigma$, la cual asume que los cúmulos son esféricamente simétricos, están compuestos por trazadores de igual masa y se encuentran en equilibrio virial. En la realidad, los cúmulos exhiben subestructuras, anisotropías y acreción continua, lo que conduce a estimaciones de masa sesgadas. Además, los métodos cinemáticos son altamente sensibles a las galaxias "interloper" (objetos en primer plano o en segundo plano) y a menudo no logran proporcionar caracterizaciones probabilísticas completas de la incertidumbre, ofreciendo únicamente estimaciones puntuales.

Metodología
Los autores proponen un flujo de trabajo de inferencia basada en simulaciones (SBI, por sus siglas en inglés) para inferir las masas de los cúmulos utilizando la información completa del espacio de fase proyectado de las galaxias miembros e interlopers. El marco combina dos componentes principales:

1. Arquitectura Deep Sets: Para manejar la naturaleza desordenada y de tamaño variable de las poblaciones de galaxias, el modelo emplea una arquitectura Deep Sets invariante a la permutación. Esta consiste en un codificador puntual ($\rho$) y un actualizador de contexto global ($\phi$), ambos implementados como perceptrones multicapa (MLP). El modelo procesa características individuales de las galaxias (velocidad en la línea de visión, distancia radial proyectada y posición angular) junto con descriptores morfológicos globales (elipticidad).
2. Estimación de la Posterior Neuronal (NPE): En lugar de predecir un único valor de masa, el modelo utiliza flujos normalizantes (específicamente flujos de splines neuronales) para aprender un mapeo biyectivo desde una distribución Gaussiana base hacia la compleja distribución posterior de la masa del cúmulo. Esto permite la recuperación de distribuciones posteriores expresivas y potencialmente multimodales.

Decisiones de Diseño Clave:

• Aprendizaje Residual: En lugar de predecir la masa total directamente, la red es entrenada para predecir correcciones residuales ($\Delta_{ML}$) a una relación clásica $M-\sigma$ de referencia. Esto aísla explícitamente la información que va más allá de los supuestos de equilibrio y mejora la interpretabilidad.
• Manejo de Interlopers: En configuraciones observacionales "cilíndricas" realistas, una red de clasificación dedicada basada en Deep Sets es entrenada para identificar interlopers. Crucialmente, mientras que la estimación de base $M-\sigma$ utiliza solo miembros identificados, el flujo de inferencia de masa final retiene información tanto de miembros como de interlopers, aprovechando el contexto ambiental proporcionado por los contaminantes.
• Datos de Entrenamiento: El modelo es entrenado con el conjunto de datos de la simulación Uchuu–UniverseMachine en un desplazamiento al rojo $z=0.5$. Se evalúan dos configuraciones: una configuración "idealizada" (solo miembros reales) y una configuración "cilíndrica" (incluyendo interlopers mediante cortes espaciales y de velocidad).

Contribuciones Clave y Resultados

• Precisión Mejorada: En la configuración idealizada, el modelo reduce la dispersión en las estimaciones de masa a $\sim 0.1$ dex (residuos lognormales), lo que representa una mejora de dos veces respecto a la relación tradicional $M-\sigma$.
• Robustez ante Interlopers: En la configuración cilíndrica realista, el modelo mantiene un rendimiento robusto en el extremo de alta masa ($> 10^{14.5} M_\odot/h$), logrando una dispersión comparable al caso idealizado. Esto demuestra la capacidad del método para corregir el sesgo inducido por los interlopers en sistemas masivos.
• Identificación Superior de Interlopers: El clasificador de interlopers basado en Deep Sets propuesto supera significativamente al método de la cáustica analítica (implementado vía CausticSNUpy), logrando puntuaciones F1 entre 0.77 y 0.80 en comparación con el 0.46–0.63 del método de la cáustica a través de los bins de masa.
• Incertidumbre Calibrada: El marco produce distribuciones posteriores completas que están bien calibradas, según lo verificado por las pruebas de cobertura de Densidad de Probabilidad Máxima (HPD) y TARP (Pruebas de Exactitud con Puntos Aleatorios). Las incertidumbres predichas se alinean estrechamente con la dispersión empírica, a diferencia de los errores fijos y a menudo subestimados de las estimaciones puntuales tradicionales.
• Comportamiento Dependiente de la Masa: El modelo revela que la incertidumbre predicha se correlaciona con la concentración del cúmulo. De manera contraintuitiva, el modelo proporciona estimaciones más precisas para cúmulos de menor concentración (menos relajados), lo que sugiere que los sistemas altamente concentrados pueden estar en estados de no equilibrio o fases transicionales que son más difíciles de modelar bajo supuestos estándar.

Significancia
El artículo sostiene que la inferencia basada en conjuntos y dirigida por simulaciones proporciona un marco poderoso y flexible para la estimación de la masa de cúmulos de galaxias. Al ir más allá de los estadísticos de resumen tradicionales para utilizar la información completa del espacio de fase, el método logra una precisión mejorada y una caracterización de la incertidumbre confiable. Los autores posicionan este enfoque como una base para estudios futuros, particularmente para los próximos sondeos cosmológicos a gran escala donde las mediciones de masa precisas y la cuantificación robusta de la incertidumbre son esenciales para restringir el marco $\Lambda$CDM estándar y resolver tensiones como la discrepancia de $S_8$. El método satura el contenido de información cinemática disponible en los datos, ofreciendo una vía hacia estimaciones de masa más precisas sin depender de supuestos dinámicos idealizados.