Euclid: Measuring the intrinsic alignment of galaxies around cosmic voids in the \Euclid Flagship simulation\

Resumen Técnico: Euclid: Midiendo el alineamiento intrínseco de las galaxias alrededor de los vacíos cósmicos en la simulación Flagship de Euclid

Planteamiento del Problema
El lensing gravitacional es una sonda primaria para restringir los parámetros cosmológicos, pero está contaminado por el alineamiento intrínseco (IA) de las galaxias, donde los campos de marea locales alinean las formas de las galaxias con el potencial gravitatorio circundante. Mientras que el IA alrededor de estructuras sobredensas (cúmulos, filamentos) está bien estudiado, el señal de IA en entornos de baja densidad —específicamente en los vacíos cósmicos— permanece insuficientemente caracterizado. Esta falta de comprensión plantea un riesgo para futuros análisis cosmológicos, particularmente aquellos que utilizan mediciones de lensing de vacíos de los próximos sondeos de Etapa IV como Euclid. Si no se modela, el IA en los vacíos podría actuar como un error sistemático, imitando u ocultando la señal de lensing débil. Además, caracterizar el IA en estas regiones de baja densidad ofrece una oportunidad única para estudiar las interacciones entre galaxias y su entorno, así como el sesgo lineal de los vacíos.

Metodología
Los autores utilizan la simulación Flagship de Euclid (FS2-Wide), una simulación de N-cuerpos cosmológica poblada mediante un catálogo de galaxias simuladas generado vía el pipeline SciPIC. El análisis procede a través de los siguientes pasos:

1. Identificación de Vacíos: Se aplica un algoritmo de búsqueda de vacíos en 2D (Sánchez et al. 2017) a mapas de densidad de galaxias suavizados (usando la pixelización HEALPix) para identificar vacíos cósmicos. El estudio se centra en vacíos con radios en el rango $10 < R_V/(h^{-1}\text{Mpc}) < 15$, que corresponde al pico de la distribución del radio de los vacíos.
2. Selección de Galaxias: Las galaxias se separan en poblaciones rojas y azules utilizando la columna color_kind de la simulación, la cual las clasifica basándose en un ajuste gaussiano al diagrama color-magnitud $g-r$. Esto permite comparar los comportamientos de alineamiento entre galaxias elípticas (rojas) y espirales (azules).
3. Medición de la Señal: Se mide la función de correlación proyectada $w^I_{V+}(r_p)$ entre los centros de los vacíos y las elipticidades intrínsecas de las galaxias utilizando un estimador de Davis–Peebles. La señal se integra a lo largo de la línea de visión ($\Pi$) dentro de $\pm 100 \, h^{-1}\text{Mpc}$ para mitigar las distorsiones en el espacio de redshift.
4. Modelado Teórico: El análisis emplea un modelo de Alineamiento Lineal (LA), descomponiendo la señal en dos regímenes:
   • Régimen de Escala Intermedia (ISR): Dentro del radio del vacío, donde el espectro de potencia vacío-materia se infiere directamente de la señal de lensing débil ($\Delta\Sigma$) medida de los vacíos. Esto requiere reconstruir el perfil de densidad de materia 3D a partir de la señal de lensing 2D usando una transformada de Abel.
   • Régimen de Gran Escala (LSR): Fuera del vacío, donde los vacíos son tratados como trazadores sesgados del campo de materia subyacente. La señal se modela utilizando el sesgo lineal del vacío $b_V(z)$ y el espectro de potencia de materia lineal.
5. Estimación de Parámetros: El modelo ajusta las funciones de correlación medidas para restringir el parámetro de amplitud de IA $A_I$ y el sesgo del vacío $b_V(z)$. Las matrices de covarianza se estiman mediante una técnica de remuestreo jackknife.

Resultados Clave

• Detección de la Señal de IA: El estudio detecta una señal de IA significativa alrededor de los vacíos cósmicos. Dentro de los interiores de los vacíos (ISR), las galaxias exhiben un alineamiento tangencial (señal negativa), mientras que en las regiones circundantes (LSR), se observa un alineamiento radial más débil (señal positiva).
• Evolución con el Redshift: La amplitud de la señal de IA ($A_I$) aumenta con el redshift tanto para las muestras de galaxias rojas como azules.
  • Para las galaxias rojas, los mejores parámetros son $A_z = 2.02 \pm 0.11$ y $\eta_1 = 1.86 \pm 0.18$.
  • Para las galaxias azules, los parámetros son $A_z = 0.63 \pm 0.07$ y $\eta_1 = 3.74 \pm 0.32$.
  • Se encuentra que la evolución con el redshift de la amplitud de IA en los vacíos es ampliamente consistente con las mediciones de IA en la población general de galaxias (específicamente en las correlaciones galaxia-galaxia) de un estudio complementario (Euclid Collaboration: Paviot et al. 2026).
• Sesgo del Vacío: El análisis estima el sesgo lineal de los vacíos, $b_V(z)$, para el rango de radio seleccionado. Los resultados muestran una tendencia positiva donde el sesgo aumenta con el redshift, consistente con las predicciones teóricas para el agrupamiento de regiones subdensas.
• Consistencia del Modelo: El modelo de dos componentes (ISR + LSR) describe exitosamente los datos a través de diferentes bins de redshift, con valores de $\chi^2$ reducido que indican un buen ajuste.

Significancia y Reivindicaciones
El artículo afirma proporcionar una de las primeras investigaciones detalladas de los alineamientos intrínsecos específicamente dentro de los entornos de vacíos cósmicos. Su significancia primaria radica en:

1. Mitigación de Sistemas: Resaltar que el IA en los vacíos constituye un error sistemático no despreciable para el futuro lensing de vacíos en cosmología. El modelado preciso es esencial para prevenir sesgos en la estimación de parámetros cosmológicos.
2. Marco Metodológico: Demostrar un enfoque autoconsistente que utiliza la propia señal de lensing de vacíos para reconstruir el perfil de densidad de materia, evitando así la introducción de parámetros libres adicionales al modelar la señal de IA.
3. Perspectiva Cosmológica: Confirmar que el modelo de alineamiento lineal es apropiado para los entornos de vacíos, donde los efectos de formación de estructura no lineales son mínimos. Los resultados también validan el uso del sesgo de vacío como una sonda de la evolución de la estructura a gran escala, mostrando que los vacíos más pequeños (vacío-en-nube) exhiben un sesgo positivo que evoluciona con el redshift.

Los autores concluyen que estos hallazgos preparan el terreno para el análisis de los datos observacionales de Euclid, enfatizando la necesidad de contabilizar el IA en los estudios de vacíos para explotar plenamente el potencial de los vacíos como sondas cosmológicas.