(The) Wiggles going non-linear

Résumé Technique : Les Oscillations de l'Inflation (The Wiggles) deviennent non linéaires

Énoncé du Problème
Les observations cosmologiques actuelles sont cohérentes avec une inflation de type « slow-roll » simple, prédisant un spectre de puissance primordial (PPS) quasi invariant d'échelle. Cependant, de nombreux scénarios inflationnaires bien motivés prédisent des « oscillations » (wiggles) — des caractéristiques localisées, des oscillations ou des structures dépendantes de l'échelle — dans le PPS. Bien que les observations du Fond Diffus Cosmologique (CMB) contraignent ces caractéristiques, elles sont limitées par la variance cosmique aux grandes échelles et par la diffusion des photons aux petites échelles. Les relevés de structure à grande échelle (LSS) (par exemple, DESI, Euclid, LSST) offrent une sonde complémentaire grâce à l'accès à un vaste nombre de modes de Fourier.

Le défi principal consiste à utiliser les données LSS pour détecter les oscillations primordiales en raison de l'évolution non linéaire de la structure. Sur les petites échelles ($k \gtrsim 0,1 \, h/\text{Mpc}$), l'évolution gravitationnelle couple les modes de Fourier, lissant les structures oscillatoires initialement cohérentes et amortissant les caractéristiques dans le spectre de puissance de la matière à un instant tardif. La théorie linéaire standard échoue dans ce régime. Si les simulations N-corps fournissent des prédictions précises, elles sont trop coûteuses en calcul pour les balayages de paramètres étendus requis pour l'inférence cosmologique. Inversement, les modèles semi-analytiques existants supposent souvent des PPS de loi de puissance lisses et ne tiennent pas compte de l'amortissement spécifique des oscillations.

Méthodologie
Les auteurs emploient une stratégie multi-étapes pour modéliser et valider l'amortissement non linéaire des oscillations primordiales :

1. Cadre Théorique :

   • Ils définissent le PPS à l'aide de modèles oscillatoires phénoménologiques : oscillations linéaires ($\cos[\omega k/k_* + \phi]$) et oscillations logarithmiques ($\cos[\omega \ln(k/k_*) + \phi]$).
   • Pour atténuer le bruit des simulations et les biais numériques, ils utilisent le spectre de puissance de la matière relatif, $\delta(k) = [P_m(k, \text{feature}) - P_m(k, \text{ref})] / P_m(k, \text{ref})$. En théorie linéaire, cette quantité isole directement la caractéristique oscillatoire.
   • Ils adoptent un modèle d'amortissement semi-analytique (suivant Ballardini et al.) où le spectre relatif non linéaire est modélisé comme l'oscillation linéaire multipliée par une enveloppe d'amortissement gaussienne :
     $$\delta_{fit}(k) = A \cos[\omega f(k) + \phi] \exp\left[-\frac{k^2 \Sigma^2(\omega, z)}{2}\right]$$
     Ici, $\Sigma(\omega, z)$ est une fonction d'amortissement effective dépendant de la fréquence et du décalage vers le rouge (redshift).

2. Simulations N-corps :

   • Des simulations de haute résolution, uniquement de matière noire, ont été réalisées avec $1024^3$ particules dans une boîte de $1024 \, h^{-1}\text{Mpc}$.
   • Stratégie de paires appariées : Pour chaque configuration de caractéristique, une simulation « avec caractéristique » et une simulation « de référence » (sans caractéristique) ont été générées en utilisant la même graine aléatoire pour annuler la variance de l'échantillon.
   • Les simulations couvrent les nombres d'onde $0,05 \le k \le 0,6 \, h/\text{Mpc}$ et les redshifts $z \in \{0, 1, 2, 3, 4, 5\}$.
   • Une amplitude de modulation $A=0,03$ a été fixée, conformément aux contraintes actuelles du CMB.

3. Calibration et Validation :

   • La fonction d'amortissement $\Sigma(\omega, z)$ a été calibrée en ajustant le modèle de template semi-analytique aux spectres de puissance relatifs simulés.
   • Diagnostics : Les auteurs ont évalué la validité de leur modèle en utilisant des diagnostics de résidus (résidu absolu maximal et RMS global) par rapport à une précision cible de $\epsilon_0 = 5 \times 10^{-3}$ (niveau sub-percent).
   • Quantification de l'incertitude : La variance de la simulation a été estimée à l'aide de quatre paires appariées supplémentaires avec des graines indépendantes, lissées par ajustement polynomial pour éviter les artefacts de pondération induits par le bruit dans la vraisemblance (likelihood).

4. Émulateur :

   • Puisque les analyses de vraisemblance nécessitent une évaluation continue de $\Sigma(\omega, z)$, les auteurs ont utilisé la Régression par Processus Gaussien (GPR) pour interpoler la grille de calibration discrète.
   • L'émulateur GPR incorpore l'incertitude statistique des ajustements de calibration comme bruit d'entraînement, fournissant une prédiction continue et consciente de l'incertitude de la fonction d'amortissement.

5. Test de Récupération d'Information :

   • Une analyse de type Fisher a été réalisée en utilisant une configuration spectroscopique de type Euclid pour comparer trois scénarios :
     • Non amorti (Full Range) : Cas idéalisé sans amortissement.
     • Amorti (Full Range) : Utilise le modèle d'amortissement calibré par GPR sur toute la plage de $k$.
     • Linéaire uniquement : Restreint l'analyse aux échelles où l'amortissement est négligeable (coupure conservatrice).

Résultats Clés

• Domaine de Validité : Le modèle d'amortissement gaussien à un paramètre est validé pour :
  • Oscillations logarithmiques : $0,8 \le \log_{10}\omega \le 2,0$.
  • Oscillations linéaires : $0,4 \le \log_{10}\omega \le 1,2$.
  • Pour les oscillations logarithmiques avec $\log_{10}\omega < 0,8$, les résidus dépassent le seuil de précision aux temps tardifs, indiquant que le modèle à paramètre unique est insuffisant.
• Cohérence de la Calibration : Les valeurs de $\Sigma$ calibrées concordent avec les travaux précédents (Ballardini et al.) à quelques pourcents près là où les fréquences se chevauchent.
• Performance de l'Émulateur : L'émulateur GPR interpole avec succès la fonction d'amortissement à travers le domaine validé de fréquence-redshift, avec des incertitudes prédictives comparables à l'incertitude statistique des données d'entraînement.
• Récupération d'Information : Dans la comparaison de type Euclid pour les oscillations logarithmiques :
  • La modélisation de l'amortissement non linéaire récupère une fraction substantielle de l'information perdue par les coupures conservatrices du régime linéaire.
  • Amplitude ($A$) : L'incertitude est réduite d'environ $40\,\%$ par rapport au cas linéaire uniquement.
  • Fréquence ($\log_{10}\omega$) : L'incertitude est réduite de $\sim 65\,\%$ (une amélioration de près d'un facteur trois).
  • Phase ($\phi$) : L'incertitude est améliorée d'environ $10\,\%$.
  • Les contraintes du cas « amorti plein spectre » restent dans un facteur d'ordre unité du cas idéal non amorti.

Signification et Revendications
L'article affirme établir une voie pratique, calibrée par simulation, pour incorporer les oscillations primordiales dans les analyses de vraisemblance LSS non linéaires. En démontrant qu'un modèle d'amortissement simple, motivé physiquement, peut prédire le spectre de puissance de la matière avec une précision sub-percent (pour des fréquences suffisamment élevées), les auteurs soutiennent qu'il est possible de rechercher des oscillations inflationnaires dans les futures données LSS sans abandonner les échelles non linéaires où réside la majeure partie de l'information.

Le travail souligne l'importance d'identifier le domaine de validité de tels modèles. Les auteurs avertissent que, bien que l'approche fonctionne bien pour les modulations à haute fréquence, les caractéristiques logarithmiques à basse fréquence nécessitent des prescriptions plus flexibles. L'étude conclut qu'avec l'émulateur de l'amortissement calibré, les relevés de prochaine génération peuvent améliorer significativement les contraintes sur les caractéristiques primordiales par rapport aux analyses limitées au régime linéaire.