Hierarchical summaries for primordial non-Gaussianities

Résumé Technique : Résumés Hiérarchiques pour les Non-Gaussianités Primordiales

Énoncé du Problème
L'avènement des relevés de galaxies à décalage vers le rouge de l'étape IV (par exemple, DESI, Euclid) offre le potentiel de détecter les non-gaussianités primordiales (PNG), spécifiquement de type local, paramétrées par $f_{\text{NL}}$. Une détection avec une précision $\sigma_{f_{\text{NL}}} \sim 1$ permettrait de distinguer les scénarios d'inflation à champ unique et à champs multiples. Cependant, les contraintes actuelles issues de la structure à grande échelle (LSS) et du fond diffus cosmologique (CMB) restent à $\sigma_{f_{\text{NL}}} \sim 5–9$. L'amélioration de ces contraintes nécessite de nouvelles stratégies de compression de données capables d'extraire de l'information au-delà des statistiques $n$-points standards (spectre de puissance et bispectre) sans engendrer des coûts de calcul prohibitifs associés aux analyses complètes de type "field-level" par apprentissage automatique.

Méthodologie
Les auteurs proposent un estimateur hybride qui combine hiérarchiquement les statistiques $n$-points globales standards avec un résumé local de type "field-level" par réseau de neurones. Cette approche est motivée par des travaux théoriques suggérant que la non-gaussianité primordiale génère des corrélations non locales, tandis que l'évolution gravitationnelle tardive ne produit que des effets locaux ; ainsi, la combinaison de statistiques globales avec une analyse de champ locale peut distinguer ces signaux.

La méthodologie emploie les composants suivants :

1. Simulations : L'étude utilise la suite de simulations N-corps Quijote-PNG, spécifiquement l'ensemble de données de PNG locale. Cela inclut 1 000 simulations par hypercube latin avec $f_{\text{NL}} \in (-300, 300)$ pour l'entraînement, 5 000 réalisations à la cosmologie fiduciaire ($f_{\text{NL}}=0$) pour l'estimation de la covariance, et 1 000 simulations avec des valeurs de $f_{\text{NL}}$ décalées ($\pm 50$) pour les calculs de dérivées numériques. L'analyse se concentre sur les catalogues de halos "Friend-of-Friend" (FoF) dans un volume de $1 \text{ Gpc}^3 h^{-3}$ à travers les redshifts $z = 0, 0.5, 1, 2, 3$.
2. Statistiques Standards : Le spectre de puissance ($P(k)$) et le bispectre ($B(k)$) sont calculés à partir du champ de densité des halos. Le spectre de puissance est mesuré jusqu'à $k_{\text{max}} \sim 0.8 \, h \text{ Mpc}^{-1}$, tandis que le bispectre est mesuré jusqu'à $k_{\text{max}} \sim 0.5 \, h \text{ Mpc}^{-1}$.
3. Compression au niveau du champ (PatchNet) : Au lieu d'analyser le volume complet de la simulation, le champ de densité des halos est divisé en sous-volumes non chevauchants ("patchs"). Un réseau de neurones convolutionnel (CNN), nommé PatchNet, traite ces patchs pour compresser l'information du champ en une valeur scalaire unique par patch.
   • Architecture : Le réseau consiste en trois blocs de couches de convolution 3D et de pooling moyen (noyau $3\times3\times3$), suivis de trois couches denses. Il produit une valeur unique représentant l'estimation de $f_{\text{NL}}$ pour le patch.
   • Entraînement : Le réseau est entraîné pour minimiser une perte d'erreur quadratique moyenne modifiée, agrégeant les prédictions de tous les patchs au sein d'une boîte de simulation.
   • Estimateur Hybride : Le résumé statistique final est une concaténation du $P(k)$ global (et potentiellement du $B(k)$) avec la sortie agrégée de PatchNet (la moyenne des prédictions des patchs).
4. Analyse de l'Information de Fisher : Le pouvoir de contrainte de l'estimateur hybride est évalué à l'aide de la matrice d'information de Fisher. La matrice de covariance et les dérivées par rapport à $f_{\text{NL}}$ sont estimées numériquement en utilisant les suites de simulations.

Résultats Clés
L'analyse démontre que l'inclusion de la compression par patchs améliore systématiquement les contraintes sur $f_{\text{NL}}$ par rapport aux statistiques de résumé standards seules :

• Magnitude de l'amélioration : L'estimateur hybride produit des gains de 30 à 45 % dans le pouvoir de contrainte (réduction de $\sigma_{f_{\text{NL}}}$) à bas $k_{\text{max}}$ ($\sim 0.1 \, h \text{ Mpc}^{-1}$) pour les statistiques standards.
• Complémentarité : L'information des patchs capture des informations au-delà du bispectre. Même en combinant le spectre de puissance, le bispectre et les patchs, le résultat est plus serré que le spectre de puissance plus les patchs seuls, indiquant que le bispectre conserve des informations de grand scalaire sur les triangles "squeezed" que la taille limitée des patchs ne peut accéder. Inversement, les patchs fournissent des informations à petite échelle non capturées par le bispectre.
• Dépendance au Redshift et à la Masse : L'amélioration est observée pour tous les redshifts testés ($z=0$ à $3$) et les coupures de masse de halo. Notamment, l'amélioration relative des patchs est plus grande pour les coupures de masse plus élevées (objets plus biaisés), qui sont pertinentes pour les cibles des futurs relevés comme les quasars.
• Efficacité : L'approche par patchs permet une analyse efficace de type "field-level" avec un budget de calcul considérablement réduit par rapport aux réseaux de neurones à volume complet, car la division du volume en patchs augmente la taille effective de l'ensemble d'entraînement.

Signification et Revendications
L'article affirme que cette combinaison hiérarchique offre une voie efficace en termes de calcul et évolutive pour resserrer les contraintes de PNG issues des futurs relevés de données. Les auteurs soutiennent que leur méthode approxime une analyse de champ globale en s'appuyant sur le principe théorique que la localité protège les signaux primordiaux de la contamination tardive. En utilisant de manière optimale les statistiques $n$-points pour les grandes échelles et l'apprentissage automatique pour les petites échelles, l'approche capture le contenu informationnel essentiel plus efficacement qu'en calculant progressivement des fonctions de corrélation d'ordre supérieur. Les résultats suggèrent que la compression par patchs fournit une information supplémentaire par rapport aux statistiques standards, particulièrement dans le régime non linéaire où la modélisation de $P(k)$ et $B(k)$ devient de plus en plus complexe.

Les auteurs notent que bien que la fonction de masse des halos soit très informative, le réseau apprend une relation entre le contraste de densité et $f_{\text{NL}}$ qui s'étend au-delà de la fonction de masse seule. Des travaux futurs sont identifiés comme nécessaires pour tester d'autres formes de PNG, marginaliser sur les paramètres cosmologiques et traiter les effets observationnels tels que les masques de relevés et la géométrie de cône de lumière.