Disentangling modified gravity and galaxy bias with field-level inference

Resumen Técnico: Desentrañando la Gravedad Modificada y el Sesgo de Galaxias mediante la Inferencia a Nivel de Campo

Planteamiento del Problema
Los análisis cosmológicos tradicionales de la Estructura a Gran Escala (LSS) dependen de estadísticas de resumen, principalmente el espectro de potencia ($P(k)$), que comprime la distribución de materia tridimensional en correlaciones de dos puntos. Aunque este enfoque es eficaz para condiciones iniciales gaussianas, descarta la información no gaussiana y las correlaciones de fase de Fourier generadas por la evolución gravitacional no lineal. Esta pérdida de información crea una degeneración crítica entre los parámetros de la Gravedad Modificada (MG) y el sesgo de galaxias (galaxy bias). Específicamente, el aumento en el poder de agrupamiento impulsado por los efectos de la MG (por ejemplo, una quinta fuerza en las teorías $f(R)$) puede ser imitado por cambios en los parámetros del sesgo de las galaxias. En consecuencia, las estadísticas de dos puntos tienen dificultades para distinguir entre desviaciones de la Relatividad General (GR) y variaciones en cómo las galaxias rastrean la distribución de materia oscura subyacente.

Metodología
Los autores desarrollan un marco de Inferencia a Nivel de Campo (FLI, por sus siglas en inglés) para abordar estas limitaciones, realizando un análisis de verosimilitud bayesiana directamente sobre el campo tridimensional de recuentos de galaxias ($n_g$), en lugar de comprimir los datos.

• Marco Teórico: El estudio utiliza el modelo de gravedad $f(R)$ de Hu-Sawicki, caracterizado por el parámetro $f_{R0}$, que introduce un mecanismo de detección de camaleón (chameleon screening). Este se acopla con un modelo de sesgo de galaxias local en la densidad y no lineal (Neyrinck et al. 2014) que presenta parámetros $\beta$ (sesgo primario), $\rho$, y $\epsilon$.
• Pipeline de Simulación: La formación de estructuras no lineales se modela utilizando el método de Aceleración Lagrangiana Comóvil (COLA), extendido para gravedad modificada (FML-COLA). El pipeline genera campos de sobredensidad de materia oscura ($\delta_{DM}$) que se mapean a catálogos de galaxias simulados ($n_g$) mediante la prescripción de sesgo no lineal.
• Marcos de Inferencia: Los autores comparan dos enfoques de verosimilitud distintos:
  1. Análisis del Espectro de Potencia: Una verosimilitud gaussiana tradicional aplicada al espectro de potencia de galaxias $P_g(k)$ tras la sustracción del ruido de disparo (shot-noise).
  2. Análisis a Nivel de Campo: Una verosimilitud de Poisson vóxel a vóxel (y una verosimilitud de Poisson truncada para datos umbralizados) aplicada directamente al campo tridimensional de recuentos de galaxias $n_g$. Esto preserva tanto las amplitudes de Fourier como las fases.
• Estimación de Parámetros: Se genera una cuadrícula de predicciones teóricas a través del espacio de parámetros. Se utiliza un interpolador de rejilla lineal continua para crear una superficie de verosimilitud continua para el muestreo de Monte Carlo por Cadenas de Markov (MCMC).
• Pruebas de Robustez: El pipeline se prueba contra variaciones en las realizaciones del ruido de Poisson, las condiciones iniciales (varianza cósmica) y el umbral de datos (exclusión de vóxeles con recuentos bajos).

Contribuciones Clave y Resultados
El estudio aplica este marco a datos simulados que representan dos escenarios: un modelo fiducial de GR ($f_{R0}=0$) y un modelo $f(R)$ con $|f_{R0}| = 10^{-6}$ (F6).

1. Ruptura de Degeneraciones: El enfoque a nivel de campo rompe con éxito la fuerte degeneración entre $|f_{R0}|$ y $\beta$ inherente a los análisis de espectro de potencia.

   • En el caso de GR, el análisis del espectro de potencia arroja un límite superior del 95% de $\log_{10}|f_{R0}| < -5.698$, mientras que el análisis a nivel de campo lo ajusta a $\log_{10}|f_{R0}| < -6.760$.
   • En el caso de F6, el análisis del espectro de potencia produce un posterior amplio y degenerado ($\log_{10}|f_{R0}| = -6.223^{+1.032}_{-0.411}$), mientras que el análisis a nivel de campo recupera el valor real con alta precisión ($\log_{10}|f_{R0}| = -5.958^{+0.100}_{-0.107}$).
   • Las restricciones sobre el parámetro de sesgo $\beta$ también son significativamente más estrictas en el análisis a nivel de campo ($\pm 0.003$) en comparación con el espectro de potencia ($\pm 0.004$ a $0.007$).

2. El Rol de las Fases de Fourier: Al aislar las fases de Fourier (manteniendo las amplitudes fijas al modelo fiducial), los autores demuestran que la información de fase por sí sola proporciona restricciones sobre $|f_{R0}|$ superiores a los análisis basados solo en amplitudes (espectro de potencia), aunque la combinación de ambas ofrece las restricciones más estrictas. Esto confirma que la configuración morfológica de la red cósmica, codificada en las fases, porta firmas distintivas de la gravedad que el sesgo no puede replicar.

3. Sensibilidad al Entorno Cósmico: A través de la clasificación de la red cósmica (vacíos, paredes, filamentos, cúmulos), los autores identifican que las regiones de baja densidad son los principales motores para distinguir modelos de gravedad.

   • Los vóxeles con una sola galaxia ($n_{obs,g}=1$) son altamente sensibles a los aumentos en el sesgo o en la fuerza de la gravedad.
   • Crucialmente, estos vóxeles informativos de $n_{obs,g}=1$ se localizan predominantemente dentro de vacíos y paredes del campo de materia oscura subyacente.
   • La verosimilitud a nivel de campo aprovecha la disposición espacial específica de estos entornos, que las estadísticas de dos puntos no logran capturar.

4. Robustez: Los resultados se mantienen consistentes a través de 100 realizaciones diferentes de ruido de Poisson y cinco realizaciones de condiciones iniciales. El método también demuestra resiliencia al umbral de datos; incluso al excluir vóxeles con $n_{obs,g} < 5$, el enfoque a nivel de campo retiene una capacidad de restricción significativa, aunque la ganancia de información de las regiones de baja densidad se pierde parcialmente.

Significancia y Reivindicaciones
El artículo afirma que la inferencia a nivel de campo ofrece un camino poderoso hacia las próximas generaciones de sondeos (por ejemplo, DESI, Euclid, LSST) al explotar el contenido de información completo de la distribución de galaxias. Los autores sostienen que su enfoque:

• Desentraña la MG y el Sesgo: Resuelve de manera única la degeneración MG-sesgo utilizando información morfológica no gaussiana y fases de Fourier, las cuales son inaccesibles para las estadísticas tradicionales de dos puntos.
• Identifica Fuentes de Información: Proporciona una comprensión física de dónde (específicamente en vacíos y paredes) reside la información que distingue los modelos de gravedad.
• Valida el Modelado hacia Adelante (Forward Modeling): Demuestra que el modelado hacia adelante del campo 3D completo permite la restricción simultánea y robusta de los parámetros de gravedad y de sesgo.

Los autores señalan limitaciones, específicamente que su implementación actual fija las fases iniciales del campo de materia oscura. Reconocen que aplicar esto a datos reales requerirá marginalizar sobre estas fases iniciales (como se hace en marcos como BORG) e incorporar modelos de sesgo más complejos y sistemáticas observacionales. Sin embargo, el estudio establece la viabilidad teórica y práctica de utilizar verosimilitudes a nivel de campo para probar la gravedad en el régimen no lineal.