Optimal marked statistics from the Effective Field Theory of Large Scale Structure

Résumé Technique : Statistiques Marquées Optimales issues de la Théorie des Champs Effectifs de la Grande Structure à Grande Échelle

Énoncé du Problème
La prochaine génération de relevés de la Grande Structure à Grande Échelle (LSS) (par exemple, Euclid, DESI, l'Observatoire Rubin) vise à extraire un maximum d'informations cosmologiques de la distribution de la matière, particulièrement sur les échelles faiblement non linéaires où la richesse du signal entre en compétition avec la complexité de la modélisation théorique. Bien que le spectre de puissance de la matière $P(k)$ soit l'outil de travail standard, l'évolution gravitationnelle génère des non-gaussianités qui verrouillent l'information dans des corrélateurs d'ordre supérieur (bispectre, trispectre). Récuper cette information directement est extrêmement coûteux en termes de calcul et complexe sur le plan théorique.

Les statistiques marquées offrent une alternative : construire une version pondérée de manière non linéaire du champ de densité, $\delta_M$, et calculer son spectre de puissance ($M(k)$). Des études antérieures ont utilisé des fonctions de marquage spécifiques (par exemple, pondérant davantage les vides) et ont constaté des améliorations dans la contrainte de paramètres comme $\sigma_8$ et les masses de neutrinos. Cependant, une question critique reste ouverte : la fonction de marquage standard est-elle optimale, ou des formes fonctionnelles alternatives peuvent-elles capturer plus d'informations ? De plus, les efforts d'optimisation existants reposent souvent sur des processus gaussiens basés sur des simulations, qui manquent du contrôle analytique et de l'interprétabilité physique de la théorie de la perturbation.

Méthodologie
Les auteurs proposent un cadre combinant la Théorie des Champs Effectifs de la Grande Structure à Grande Échelle (EFTofLSS) avec une optimisation flexible de la fonction de marquage.

1. Modèle Théorique :

   • La fonction de marquage $m(\delta_R)$, où $\delta_R$ est le champ de densité lissé sur une échelle $R$, est développée en puissances de $\delta_R$ :
     $$m(\delta_R) = c_0 + c_1 \delta_R + c_2 \delta_R^2 + c_3 \delta_R^3 + \mathcal{O}(\delta_R^4)$$
   • Les coefficients $\{c_0, c_1, c_2, c_3\}$ sont traités comme des paramètres libres à optimiser.
   • Les auteurs dérivent les expressions au premier ordre (one-loop) pour le spectre de puissance standard $P(k)$, le spectre de puissance croisé $C(k)$, et le spectre de puissance marqué $M(k)$ au sein du cadre EFTofLSS. Cela inclut les contre-termes nécessaires ($c_s^2$) pour renormaliser la dépendance UV.

2. Prior de Perturbativité :

   • Une nouveauté centrale est l'imposition d'un « prior de perturbativité » pour garantir que le champ marqué reste dans le régime de validité de la théorie de la perturbation.
   • Les auteurs dérivent des conditions sur les coefficients $c_i$ pour que les termes d'ordre supérieur dans l'expansion ne dominent pas les termes d'ordre inférieur. Spécifiquement, ils exigent que $|c_{n+1}|\delta_{R,\text{max}} < |c_n|$, où $\delta_{R,\text{max}}$ est la surdensité lissée maximale observée dans les simulations. Cela restreint l'espace des paramètres à des marques physiquement viables.

3. Procédure d'Optimisation :

   • La matrice d'information de Fisher est utilisée comme fonction de coût pour maximiser le pouvoir de contrainte sur les paramètres cosmologiques $\{\Omega_m, \sigma_8, h\}$.
   • L'optimisation tient compte de l'invariance affine : la matrice de Fisher est invariante sous les transformations $m \to Am + B$. Par conséquent, les valeurs absolues des coefficients sont moins importantes que leurs rapports relatifs (par exemple, $c_2/c_1$). Les auteurs fixent $c_0=1$ pour éliminer cette dégénérescence.
   • L'optimisation balaie une grille de valeurs $\{c_1, c_2, c_3\}$ soumise au prior de perturbativité.
   • Les matrices de covariance sont initialement estimées à l'aide d'approximations gaussiennes pour la rapidité, puis validées et affinées en utilisant la pleine covariance non gaussienne de 1 000 simulations N-body Quijote.

Contributions Clés

• Optimisation Analytique : L'article fournit une méthode entièrement analytique, sans simulation, pour optimiser les fonctions de marquage au sein du cadre EFTofLSS, contrastant avec les approches de processus gaussiens qui dépendent fortement des simulations N-body.
• Contraintes de Perturbativité : Il établit des contraintes physiques rigoureuses sur les fonctions de marquage pour s'assurer qu'elles ne violent pas les hypothèses de la théorie de la perturbation, définissant un régime « sûr » pour les statistiques marquées.
• Clarification de l'Invariance Affine : Les auteurs démontent explicitement que le gain d'information des statistiques marquées provient du contraste environnemental modulé par le marquage, plutôt que d'une pondération préférentielle des vides ou des surdensités spécifiquement. C'est une conséquence de l'invariance affine de la matrice de Fisher lorsque le vecteur de données complet $\{P, C, M\}$ est utilisé.
• Validation : Les prédictions analytiques des marques optimales sont validées par la suite de simulations Quijote, montrant un accord au niveau du pourcentage pour les spectres de puissance jusqu'à $k \approx 0.3 \, h \, \text{Mpc}^{-1}$.

Résultats

• Formes de Marquage Optimales : Les fonctions de marquage optimales dépendent de l'échelle de lissage $R$.
  • Pour les petites échelles ($R=10 \, h^{-1}\text{Mpc}$), le prior de perturbativité force les marques à être des fonctions décroissantes simples et monotones ressemblant à des expansions linéaires.
  • Pour les plus grandes échelles ($R=15, 30 \, h^{-1}\text{Mpc}$), les marques optimales présentent des structures paraboliques plus riches qui accentuent la pondération différentielle entre les environnements de haute et de basse densité.
• Amélioration des Paramètres : Après avoir marginalisé sur le contre-terme EFT $c_s^2$, les statistiques marquées optimisées produisent des améliorations significatives des barres d'erreur des paramètres par rapport au spectre de puissance standard seul :
  • $\Omega_m$ : Facteur d'amélioration de $\approx 1.30–2.3$.
  • $\sigma_8$ : Facteur d'amélioration de $\approx 1.3–8.3$.
  • $h$ : Facteur d'amélioration de $\approx 1.2–2.5$.
    Ces gains varient selon le redshift et l'échelle de lissage et sont cohérents avec les résultats de simulations antérieures (par exemple, [22]).
• Structure de la Covariance : Les auteurs constatent que si l'approximation de la covariance gaussienne est suffisante pour les petites échelles de lissage ($R=10$), les échelles plus larges ($R=15, 30$) présentent des corrélations hors-diagonales significatives dans la matrice de covariance, nécessitant l'utilisation de la pleine covariance non gaussienne pour une analyse de vraisemblance rigoureuse.

Signification et Revendications
L'article affirme que les statistiques marquées, lorsqu'elles sont optimisées via un cadre analytique EFTofLSS, constituent un outil puissant pour extraire des informations cosmologiques supplémentaires au-delà des analyses standards à deux points, sans le coût de calcul des calculs complets de corrélateurs d'ordre supérieur (comme le bispectre).

Les auteurs soulignent que leur approche valide la description EFTofLSS des statistiques marquées et confirme qu'une expansion polynomiale est une base fonctionnelle suffisante pour l'optimisation du marquage dans le régime perturbatif. Ils positionnent cette méthode comme un pipeline rapide et entièrement analytique, adapté aux futures analyses MCMC de données de relevés réels. De plus, ils suggèrent que ce cadre ouvre une voie pour explorer des marques optimisées pour la non-gaussianité primordiale, où les approches basées sur les simulations sont actuellement trop coûteuses. Ce travail souligne que le « moteur » du gain d'information est la modulation du regroupement environnemental, fournissant une interprétation physiquement motivée de l'utilité des champs marqués.