Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis

Résumé Technique : Impact de la vraisemblance non gaussienne sur les contraintes cosmologiques du spectre de puissance tSZ

Énoncé du Problème
Le spectre de puissance de l'effet Sunyaev–Zel'dovich thermique (tSZ) est une sonde primaire pour les paramètres cosmologiques (spécifiquement $\sigma_8$ et $\Omega_m$) et l'astrophysique des amas. Cependant, ses propriétés statistiques sont intrinsèquement non gaussiennes. Cette non-gaussianité provient du fait que le signal aux grandes échelles angulaires est dominé par des amas de galaxies rares, massifs et à faible décalage vers le rouge (redshift), ce qui conduit à une distribution d'échantillonnage présentant une asymétrie positive. Les analyses cosmologiques standards, telles que celles de la collaboration Planck, supposent généralement une vraisemblance gaussienne pour le spectre de puissance. Bien que cette approximation puisse être valide aux multipôles élevés, où les contributions sont réparties sur de nombreux amas, elle ne parvient pas à capturer l'asymétrie (skewness) aux multipôles faibles ($\ell < 1000$). L'absence d'un modèle de vraisemblance analytique précis capable de capturer ces statistiques non gaussiennes motive la nécessité de méthodes d'inférence alternatives pour garantir des contraintes cosmologiques sans biais.

Méthodologie
Les auteurs utilisent l'Inférence Basée sur la Simulation (SBI - Simulation-Based Inference) pour contourner le besoin d'une fonction de vraisemblance analytique explicite. Le flux de travail comprend :

1. Modélisation Directe (Forward Modeling) :
   • Simulateur Gaussien : Un simulateur de base génère des spectres de puissance en utilisant une distribution multivariate gaussienne avec une matrice de covariance fixe (incluant les contributions du trispectre) pour valider la pipeline SBI par rapport aux méthodes standards.
   • Simulateur Basé sur les Halos : Un modèle direct plus réaliste génère des cartes de Compton-$y$ sur l'ensemble du ciel. Cela implique un échantillonnage de Poisson des masses et des redshifts des halos à partir de la fonction de masse des halos de Tinker et al. (2008), l'attribution de profils de pression de type Navarro–Frenk–White généralisés (GNFW) (Arnaud et al. 2010), et une convolution avec un faisceau (beam). Des résidus de premier plan (CIB, IR, RS) et du bruit corrélé sont ajoutés sous forme de champs aléatoires gausiens.
2. Estimation de Densité par Réseaux de Neurones :
   • Les auteurs entraînent des réseaux de neurones profonds en utilisant le package sbi (PyTorch) pour apprendre soit la distribution postérieure directement (Estimation de la Postérieure par Réseau de Neurones, NPE), soit la fonction de vraisemblance (Estimation de la Vraisemblance par Réseau de Neurones, NLE).
   • Une architecture de Flux Auto-régressif Masqué (MAF - Masked Autoregressive Flow) est utilisée. Pour atténuer la stochasticité de l'entraînement, un ensemble de 10 réseaux entraînés indépendamment est employé pour former une estimation robuste de la postérieure.
3. Validation :
   • La structure SBI est d'abord validée par rapport à une analyse de vraisemblance gaussienne standard utilisant les données réelles de Planck.
   • Elle est ensuite appliquée à un ensemble de données fictives générées par le modèle direct basé sur les halos pour évaluer l'impact de la non-gaussianité.
   • Des tests de convergence sont effectués concernant le nombre de simulations, et des tests de couverture sont réalisés pour s'assurer que les postérieures inférées sont statistiquement cohérentes avec les paramètres réels.

Principales Contributions

• Première Application de la SBI au tSZ : Ce travail représente la première application de la SBI à l'analyse du spectre de puissance tSZ.
• Validation de l'Approximation Gaussienne : L'étude fournit un test rigoureux de l'hypothèse de vraisemblance gaussienne standard pour les relevés de type Planck.
• Modélisation de la Vraisemblance Non Gaussienne : Elle démontre la capacité de la NLE à apprendre et à reproduire avec précision la distribution d'échantillonnage hautement asymétrique et non gaussienne du spectre de puissance tSZ aux faibles multipôles, là où les approximations gaussiennes échouent.
• Analyse de Robustesse : À travers des études d'ablation approfondies, les auteurs distinguent les différences physiques réelles dans la vraisemblance des artefacts potentiels découlant de l'entraînement des réseaux de neurones ou de la taille finie des simulations.

Résultats

• Contraintes Cosmologiques : En utilisant uniquement les multipôles $\ell < 1000$, l'hypothèse de vraisemblance gaussienne produit des contraintes cosmologiques sans biais. L'inférence basée sur la SBI (à la fois NPE et NLE) produit des résultats pour la combinaison de paramètres cosmologiques $F = \sigma_8(\Omega_m/B)^{0.40}h^{-0.21}$ qui sont en excellent accord avec les résultats de la vraisemblance gaussienne, malgré la non-gaussianité sous-jacente.
• Contraintes sur les Premiers Plans (Foregrounds) : Tandis que les contraintes cosmologiques restent stables, l'inférence basée sur la SBI montre un léger élargissement des distributions postérieures pour les amplitudes des résidus de premier plan par rapport à la vraisemblance gaussienne. Plus précisément, la contrainte basée sur la NLE pour l'amplitude des sources infrarouges ($A_{IR}$) est environ $0,5\sigma$ plus faible que le résultat de la vraisemblance gaussienne.
• Apprentissage de la Vraisemblance : La méthode NLE apprend avec succès la structure non gaussienne de la vraisemblance, reproduisant l'asymétrie positive observée dans les simulations du modèle direct, alors que l'approximation gaussienne échoue aux faibles multipôles.
• Couverture : Les tests de couverture confirment que les postérieures inférées par la SBI sont bien calibrées, avec des biais inférieurs à $0,06\sigma$ pour tous les paramètres.

Signification et Revendications
L'article affirme que pour une analyse tSZ de type Planck (ciel complet, niveaux de bruit spécifiques), l'hypothèse de vraisemblance gaussienne standard est suffisamment précise pour l'inférence cosmologique, car elle produit des contraintes sans biais sur les paramètres clés. Cependant, les auteurs soulignent que la SBI sert d'outil de validation crucial. Elle permet aux chercheurs de modéliser des vraisemblances non gaussiennes au-delà des approximations analytiques, révélant des différences subtiles dans les contraintes de premier plan qui pourraient autrement passer inaperçues.

Les auteurs notent que leur conclusion concernant la suffisance de la vraisemblance gaussienne ne s'étend pas automatiquement à d'autres relevés comme ACT ou le South Pole Telescope (SPT), qui observent des fractions de ciel plus petites et subissent donc une variance d'échantillonnage plus élevée et une non-gaussianité plus forte à des multipôles plus élevés. De plus, ils soulignent que la SBI offre un cadre flexible pour des applications futures, telles que l'incorporation des incertitudes dans les profils de pression, la combinaison des spectres de puissance tSZ avec les comptages de grappes (clusters) et l'analyse des moments d'ordre supérieur, qui sont difficiles à traiter avec les vraisemblances analytiques traditionnelles. Le travail suggère que si l'approximation gaussienne est robuste pour les contraintes actuelles de type Planck, la SBI constitue une voie nécessaire pour gérer la complexité statistique des futurs relevés de fond diffus cosmologique (CMB) à plus haute résolution.