Alleviating prior dependencies for DESI DR1 clustering fits through reparameterization

Resumen Técnico: Alivio de las Dependencias Previas para los Ajustes de Agrupamiento de DESI DR1 mediante la Reparametrización

Planteamiento del Problema
Este trabajo aborda un problema sistemático específico en los análisis bayesianos de la agrupación de forma completa (full-shape) de la Primera Entrega de Datos (DR1) del Instrumento de Espectroscopía de Energía Oscura (DESI). Al analizar los multipolos del espectro de potencia utilizando la Teoría de Campo Efectivo de la Estructura a Gran Escala (EFTofLSS), los parámetros de confusión débilmente restringidos (relacionados con el sesgo de las galaxias, términos de contrapartida y ruido de disparo) exhiben fuertes degeneraciones con los parámetros cosmológicos. En los análisis estándar que utilizan priors amplios, uniformes o gaussianos, estas degeneraciones conducen a "efectos de proyección de volumen de prior". Consecuentemente, las distribuciones posteriores marginalizadas para los parámetros cosmológicos clave —específicamente la constante de Hubble ($H_0$) y los parámetros de la ecuación de estado de la energía oscura ($w_0, w_a$)— se desplazan sistemáticamente lejos de la estimación del Máximo a Posteriori (MAP). Este fenómeno resulta en discrepancias de varios-$\sigma$ entre los valores esperados reportados y el máximo de verosimilitud real, particularmente en conjuntos de datos con un anclaje externo débil (por ejemplo, DESI combinado únicamente con la Nucleosíntesis del Big Bang y una restricción débil del índice espectral).

Metodología
Los autores reanalizan los multipolos del espectro de potencia de DESI DR1 utilizando dos estrategias complementarias diseñadas para mitigar estos efectos de proyección sin depender de supuestos de modelado astrofísico externos (como los modelos de Ocupación de Halo o HOD):

1. Reparametrización Ortogonal No Lineal:

   • Los autores implementan una técnica para decorrelacionar los parámetros de confusión ($N$) de los parámetros cosmológicos ($C$).
   • En lugar de los Modelos Aditivos Generalizados (GAMs) utilizados en trabajos previos, emplean una red neuronal totalmente conectada para aprender la esperanza condicional $f(C) \approx E[N|C]$ a partir de una muestra posterior inicial.
   • Los parámetros de confusión se transforman en una base ortogonal $N' = N - f(C)$, lo que los hace aproximadamente no correlacionados con la cosmología.
   • El análisis se vuelve a ajustar en este espacio transformado, con priors reescalados para mantener la varianza física en la base original.

2. Prior de Jeffreys Invariante a la Reparametrización:

   • Los autores implementan un prior de Jeffreys totalmente invariante a la reparametrización sobre todo el conjunto de coeficientes de EFTofLSS. Este prior se construye a partir de la raíz cuadrada del determinante de la matriz de información de Fisher $p_J(\theta) \propto \sqrt{\det I(\theta)}$.
   • Para superar los cuellos de botella computacionales asociados con las matrices de Fisher de alta dimensión, derivan expresiones analíticas de forma cerrada para el Jacobiano de los multipolos del espectro de potencia con respecto a los parámetros de EFT.
   • Estos Jacobianos se evalúan sobre la marcha durante el muestreo de Monte Carlo por Cadenas de Markov (MCMC) utilizando el emulador Effort.jl y el marco de trabajo Turing.jl, permitiendo actualizaciones eficientes del factor de Jeffreys en cada paso.
   • Los autores prueban dos configuraciones: un prior de Jeffres "puro" y un enfoque "híbrido" (Jeffreys + Gaussian de Línea Base), donde el prior de Jeffreys se combina con los anchos Gaussianos de la línea base original para controlar las colas excesivamente anchas en parámetros físicos como la densidad de materia oscura fría ($\omega_c$).

Contribuciones Clave

• Implementación Algorítmica: El artículo extiende la aplicación de los priors de Jeffreys en los análisis de EFTofLSS desde subconjuntos lineales de parámetros hacia el conjunto completo de parámetros de confusión no lineales, utilizando Jacobianos analíticos para mantener la eficiencia computacional.
• Ortogonalización por Redes Neuronales: El trabajo actualiza la metodología de ortogonalización reemplazando los GAMs por redes neuronales, mejorando el manejo de las degeneraciones altamente no lineales y multivariantes, y asegurando la estabilidad numérica en espacios de alta dimensión.
• Validación entre Marcos de Trabajo: El estudio proporciona una comparación rigurosa entre tres marcos de inferencia distintos:
  1. El enfoque bayesiano propuesto con corrección de volumen basada en Jeffreys (específicamente el híbrido Jeffreys+Línea Base).
  2. Un enfoque calibrado por simulaciones con priors informados por HOD (HIP).
  3. Un análisis de verosimilitud de perfil frecuentista.

Resultados

• Mitigación de la Proyección: En la configuración débilmente anclada "DESI + BBN + $n_s$", el prior de línea base estándar (BLP) exhibe efectos de proyección significativos, desplazando $H_0$, $w_0$ y $w_a$ varios desvíos estándar del MAP. El método de ortogonalización mitiga parcialmente estos desplazamientos, pero el prior de Jeffreys (particularmente la variante híbrida) recentra con éxito los posteriores, encerrando el MAP dentro de las regiones de credibilidad del 68% para estos parámetros.
• Restricciones de Parámetros: Se identifica el enfoque híbrido Jeffreys+Línea Base como el método fiduciario. Este controla las colas excesivamente anchas en $\omega_c$ observadas con el prior de Jeffreys puro, mientras preserva los beneficios de la corrección de volumen para los parámetros de expansión.
• Consistencia entre Marcos de Trabajo: Cuando se añaden restricciones externas (CMB y Tipo Ia Supernovae), las diferencias entre el método de línea base, el ortogonalizado, el de Jeffreys y el informado por HOD disminuyen. Sin embargo, incluso en el régimen de restricciones débiles, el enfoque híbrido de Jeffreys y el enfoque informado por HOD producen valores centrales y direcciones de degeneración consistentes, a pesar de sus fundamentos teóricos diferentes (corrección de volumen geométrica vs. modelado astrofísico).
• Acuerdo Frecuentista-Bayesiano: Los intervalos de credibilidad derivados utilizando el enfoque híbrido de Jeffreys muestran un excelente acuerdo con los intervalos de confianza de la verosimilitud de perfil frecuentista en términos de valores centrales y direcciones de degeneración, lo que sugiere que la información de verosimilitud subyacente se está extrayendo de manera consistente una vez que se controlan los efectos de proyección.

Significancia y Reclamaciones
El artículo afirma que, al controlar adecuadamente los efectos de proyección del volumen del prior mediante medidas invariantes a la reparametrización (específicamente el prior de Jeffreys), es posible realizar inferencias robustas sobre la expansión de la expansión tardía de la cosmología de forma independiente del marco estadístico específico (Bayesiano vs. Frecuentista) o de la adopción de supuestos astrofísicos específicos (modelos HOD).

Los autores enfatizan que su metodología demuestra que las discrepancias observadas anteriormente entre diferentes procesos de análisis fueron impulsadas principalmente por artefactos de proyección y no por inconsistencias fundamentales en los datos o los modelos. La convergencia de los resultados a través del análisis bayesiano basado en Jeffreys, el análisis bayesiano calibrado por HOD y el análisis de verosimilitud de perfil frecuentista valida la fiabilidad de las restricciones de agrupación de forma completa de DESI DR1 sobre $H_0$, $w_0$ y $w_a$. Este trabajo establece una base metodológica para futuros análisis de la estructura a gran escala (por ejemplo, con DESI y Euclid) donde el aumento del poder estadístico requerirá un control riguroso de tales efectos sistemáticos.