Fisher Forecasting for the DESC with $\texttt{Augur}$

Resumen Técnico: Pronóstico de Fisher para el DESC con Augur

Planteamiento del Problema
El Legacy Survey of Space and Time (LSST) del Observatorio Vera C. Rubin está destinado a entregar restricciones sin precedentes sobre los parámetros cosmológicos a través de su encuesta de diez años. Para garantizar mediciones cosmológicas robustas, la Dark Energy Science Collaboration (DESC) requiere métodos computacionalmente económicos para evaluar el rendimiento de las propuestas de análisis y probar las elecciones de modelado antes de la recolección de datos. Si bien los análisis de MCMC (Monte Carlo por Cadenas de Markov) o de muestreo anidado (nested sampling) completos proporcionan restricciones precisas, a menudo son demasiado intensivos computacionalmente para una exploración rápida de los espacios de modelos. El formalismo de la Matriz de Información de Fisher ofrece una alternativa más rápida al estimar las restricciones de los parámetros mediante derivadas numéricas del logaritmo de la verosimilitud (log-likelihood). Sin embargo, la fiabilidad de los pronósticos de Fisher depende fuertemente de la suposición de que el log-posteriore está bien aproximado localmente por una función cuadrática y de la estabilidad numérica de los cálculos de las derivadas. El trabajo previo de LSST DESC estableció requisitos para efectos sistemáticos, pero carecía de una biblioteca de pronóstico unificada y disponible públicamente integrada en el ecosistema de software de DESC.

Metodología
Este artículo presenta Augur, una herramienta de pronóstico de Fisher basada en Python desarrollada por el LSST DESC. Augur está diseñada para interactuar directamente con el stack de software existente de DESC, incluyendo:

• CCL (Core Cosmology Library): Para las predicciones teóricas de observables cosmológicos.
• TJPCov: Para la estimación analítica de la covarianza.
• firecrown: El marco de verosimilitud oficial de DESC.

La herramienta calcula las matrices de Fisher evaluando derivadas numéricas de las predicciones del modelo con respecto a los parámetros cosmológicos y sistemáticos. Los autores validan Augur utilizando un análisis "3×2pt" (que combina agrupamiento de galaxias, cizalladura cósmica y lente gravitacional galáctico) en el espacio armónico, modelando las configuraciones de la encuesta LSST para el Año 1 (Y1) y el Año 10 (Y10).

Los componentes metodológicos clave incluyen:

1. Diferenciación Numérica: El estudio investiga diversas técnicas de diferenciación, incluyendo el método de estarcido de 5 puntos (5-point stencil), numdifftools y derivkit (usando polinomios de Chebyshev adaptativos).
2. Estabilidad de Hiperparámetros: Los autores prueban sistemáticamente la estabilidad de los pronósticos frente a:
   • Tamaño de Paso (Step Size): La magnitud de las perturbaciones de los parámetros utilizadas para las derivadas.
   • Distribución de Redshift ($n(z)$): La resolución de muestreo (número de nudos) de las distribuciones de redshift de las galaxias fuente y lente.
   • Modelos de Espectro de Potencia: Comparación de prescripciones lineales (Eisenstein-Hu, CAMB) y no lineales (Halofit, HMCode2020).
   • Agrupación (Binning): El impacto del promedio de los espectros de potencia angular (filtros top-hat).
3. Benchmarks de Validación: Los resultados de Augur se comparan contra:
   • El pipeline legado del Documento de Requisitos Científicos (SRD) de DESC (usando un CosmoLike modificado).
   • CosmoSIS con firecrown.
   • Muestreo directo del posteriore mediante el muestreo anidado PolyChord.
   • Verificaciones de consistencia interna para la estimación del sesgo de Fisher.

Contribuciones Clave

• Marco de Trabajo Augur: El lanzamiento de una herramienta de pronóstico pública y nativa de DESC que unifica las predicciones teóricas, la evaluación de la verosimilitud y la estimación de la covarianza dentro de un único ecosistema.
• Diagnósticos de Estabilidad: El artículo establece "regiones de trabajo" específicas para los hiperparámetros numéricos. Identifica que un tamaño de paso normalizado de aproximadamente el 5% del rango de la distribución uniforme previa (por ejemplo, $\Delta s = 0.05$) produce resultados estables, mientras que tamaños de paso más pequeños introducen ruido numérico, particularmente con modelos de espectro de potencia no lineales como Halofit.
• Sensibilidad del Modelo: El estudio demuestra que diferentes prescripciones de espectro de potencia no lineal (por ejemplo, Halofit vs. HMCode2020) pueden conducir a variaciones significativas (de un 10% o más) en las Figuras de Mérito (FOMs) incluso dentro de regímenes de tamaño de paso estables, lo que resalta la sensibilidad de los pronósticos de Fisher a las elecciones de modelado.
• Estimación de Sesgo: La herramienta incluye la funcionalidad para estimar los sesgos de los parámetros derivados de desajustes de modelos, con el artículo definiendo los límites de validez para estas aproximaciones lineales.

Resultados

• Acuerdo con Códigos Externos: Augur produce resultados consistentes con el pipeline CosmoSIS + firecrown (acuerdo casi exacto en las matrices de correlación) y con el pipeline SRD de DESC (acuerdo de DEFOM dentro del 10% para Y1 y del 2% para Y10). Las discrepancias con el pipeline SRD se atribuyen a diferencias en el agrupamiento de $n(z)$ y en los métodos de integración.
• Validación contra Muestreo Anidado: Para tamaños de paso estables ($\Delta s = 0.05$), los contornos de Fisher de Augur reproducen de cerca la forma, orientación y área de los posteriores de los parámetros obtenidos mediante el muestreo anidado PolyChord. Las matrices de correlación entre los resultados de Fisher y el muestreo anidado difieren por menos de 0.05, muy por debajo del umbral de aceptación de 0.1 de los autores.
• Riesgos de Inestabilidad: El estudio confirma que los tamaños de paso inestables (demasiado pequeños) o un muestreo de $n(z)$ inadecuado pueden conducir a FOMs poco fiables y direcciones de degeneración incorrectas. Específicamente, los tamaños de paso por debajo del 1% del ancho de la distribución previa suelen resultar en que el ruido numérico domine las derivadas.
• Promedio de Binning: La inclusión de filtros de banda top-hat suaviza las variaciones en los FOMs a través de los tamaños de paso, mitigando algunas inestabilidades numéricas asociadas con las evaluaciones de un solo modo.
• Límites del Sesgo de Fisher: Las pruebas de consistencia interna muestran que las estimaciones del sesgo de Fisher recuperan con precisión los pequeños desplazamientos de parámetros de entrada (dentro de $\sim 1\sigma$). Sin embargo, para desplazamientos mayores (superiores a $\sim 1\sigma$ en $w_0$ o $0.5\sigma$ en $w_a$), la aproximación lineal falla y el sesgo no se recupera de manera robusta.

Significancia y Reclamaciones
Los autores declaran explícitamente que el objetivo principal de este trabajo no es proporcionar pronósticos cosmológicos actualizados, sino introducir y validar un marco de pronóstico. El artículo afirma que Augur proporciona un método estable, fiable y reproducible para generar pronósticos de Fisher dentro del ecosistema de software de DESC. Al documentar las mejores prácticas para las derivadas numéricas y las elecciones de modelado, la herramienta permite a los usuarios obtener diagnósticos fiables para futuros análisis de LSST. El trabajo sirve como un estudio de métodos y validación, demostrando que los pronósticos de Fisher pueden producirse con alta fidelidad respecto al muestreo de la verosimilitud completa cuando se cumplen los criterios de estabilidad numérica adecuados. Los autores señalan que, si bien la implementación actual depende de derivadas de diferencia finita, los benchmarks de estabilidad establecidos aquí servirán como base para futuros marcos de cosmología diferenciable.