Turning dispersion into signal: density-split analyses of pairwise velocities

Résumé technique : Transformer la dispersion en signal : Analyses de séparation par densité des vitesses paires

Énoncé du problème
Les vitesses paires de la structure à grande échelle encodent des informations critiques concernant la croissance des structures et la loi de la gravité. Ces vitesses sont observables indirectement par le biais des distorsions de l'espace des vitesses (RSD) et de l'effet Sunyaev–Zeldovich cinétique (kSZ). Cependant, la distribution des vitesses paires (PVD) est généralement large et non gaussienne. Dans les analyses conventionnelles, l'information cosmologiquement utile est principalement extraite de la vitesse moyenne d'écoulement, tandis que la dispersion autour de cette moyenne est traitée comme un paramètre de nuisance devant être marginalisé. Cette approche annule efficacement le signal par moyennage, réduisant ainsi le pouvoir de contrainte des observations. Les auteurs postulent que cette dispersion n'est pas simplement du bruit, mais contient une information structurée qui, si elle est correctement comprise, peut être convertie en signal.

Méthodologie
Les auteurs proposent une technique de « séparation par densité » (DS) pour analyser la PVD en décomposant la distribution globale selon l'environnement de densité local des halos/galaxies. En utilisant les simulations Quijote, la méthodologie procède comme suit :

1. Caractérisation environnementale : Le champ de halos est lissé à l'aide d'une fonction fenêtre top-hat d'un rayon de $R_{sm} = 25 \, \text{Mpc} \, h^{-1}$. Le contraste de densité ($\delta_h$) est mesuré aux emplacements des halos, créant une fonction de densité de probabilité (PDF) non gaussienne et biaisée vers les valeurs positives.
2. Binning de densité : L'échantillon de halos est divisé en bins de densité distincts (allant des régions sous-denses aux régions surdenses).
3. Mesure conditionnelle de la PVD : La distribution des vitesses paires, $P(v_p, r | \delta_h)$, est mesurée pour les paires de halos au sein de bins de densité spécifiques et à diverses échelles de séparation ($r$).
4. Inclusion inter-bin : Pour assurer la conservation de l'information, l'analyse inclut les paires « inter-bin » (paires où les deux halos appartiennent à des bins de densité différents). Pour $N$ bins de densité, toutes les $N(N+1)/2$ combinaisons de paires sont incluses dans le vecteur de données, garantissant que le nombre total de paires correspond à celui de la méthode conventionnelle de la fonction de corrélation à deux points (2PCF) globale.
5. Comparaison statistique : Le contenu informationnel de la méthode DS est comparé à celui de la méthode conventionnelle de comptage global de paires (2PCF) en utilisant la statistique $\chi^2$ cumulative et différentielle, définie par $\chi^2 = \bar{v}_p C^{-1} (\bar{v}_p)^T$, où $C$ est la matrice de covariance dérivée de 4000 réalisations de simulations.

Résultats clés

• Décomposition de la PVD : La PVD globale se révèle être une composition d'une série de distributions quasi-gaussiennes, chacune correspondant à un environnement de densité spécifique. Alors que la distribution globale est large et non gaussienne, les PVD conditionnelles ($P(v_p | \delta_h)$) sont bien ajustées par des fonctions gaussiennes avec des moyennes et des dispersions distinctes.
• Inversion de signe et annulation : La vitesse moyenne d'écoulement $\bar{v}_p(r | \delta_h)$ change de signe selon l'environnement. Elle est positive (sortie) dans les régions sous-denses ($\delta_h < 0$) et négative (chute) dans les régions surdenses ($\delta_h > 0$). Dans la PVD globale, ces vitesses opposées s'annulent mutuellement, résultant en une grande dispersion. La méthode DS évite cette annulation en isolant ces composantes.
• Amplitude et dispersion : L'amplitude de la vitesse moyenne d'écoulement dans les régions surdenses est environ quatre fois plus grande que la moyenne globale (atteignant un pic d'environ $800 \, \text{km s}^{-1}$ par rapport à environ $200 \, \text{km s}^{-1}$ pour les sorties sous-denses). De plus, la dispersion des vitesses est significativement plus faible dans les régions de faible densité par rapport à la moyenne globale.
• Amélioration du rapport signal sur bruit : La technique DS produit une augmentation substantielle du rapport signal sur bruit. Par rapport à la méthode 2PCF globale, le $\chi^2$ total augmente d'un facteur de 1,4, 3,1 et 3,4 lors de l'utilisation de 2, 3 et 6 bins de densité, respectivement. À grande échelle ($r \approx 150 \, \text{Mpc} \, h^{-1}$), le gain atteint un facteur de 10.
• Linéarité et gaussianité : Les vitesses moyennes d'écoulement locales restent couplées linéairement aux fonctions de corrélation à deux points conditionnelles sur une large gamme d'échelles. Il est à noter que l'amélioration persiste même à grande échelle où la PVD globale est presque gaussienne, suggérant que le bénéfice provient de l'évitement de l'annulation des flux opposés plutôt que uniquement de l'échantillonnage de PDF de densité non gaussiennes.

Signification et affirmations
L'article affirme que le traitement conventionnel de la dispersion des vitesses comme un paramètre de nuisance est sous-optimal. En divisant les données selon les environnements de densité locaux, les chercheurs peuvent « transformer la dispersion en signal ». La signification principale réside dans la capacité à récupérer plusieurs composantes cohérentes de vitesses de sortie et de chute qui sont autrement cachées dans la moyenne globale.

Les auteurs affirment que cette méthode offre un potentiel substantiel pour améliorer les contraintes cosmologiques dérivées des observations RSD et kSZ. Plus précisément :

• Pour le kSZ, la méthode permet l'observation séparée des signaux paires de signes opposés dans les régions sous-denses et surdenses, une information perdue dans le moyennage global.
• Pour les RSD, la méthode fournit un suivi plus explicite de l'information cosmologique en isolant les vitesses moyennes d'écoulement dans différents environnements.
• Contrairement aux applications précédentes de séparation par densité qui échantillonnent la densité à des emplacements aléatoires (ce qui complique la modélisation en raison de mappings non triviaux entre l'espace réel et l'espace des vitesses), cette approche évalue la densité aux emplacements des traceurs. Cela garantit que la modélisation des RSD-DS reste fondamentalement similaire à la modélisation 2PCF standard, le facteur supplémentaire principal étant un biais environnemental qui est approximativement linéaire à des échelles de dizaines de $\text{Mpc} \, h^{-1}$.

Les auteurs concluent que, bien que les statistiques à deux points soient suffisantes pour les champs de densité gaussiens, elles sont insuffisantes pour les champs de vitesses, et que la technique de séparation par densité offre une voie pour extraire significativement plus d'informations des données observationnelles existantes et futures.