Alleviating prior dependencies for DESI DR1 clustering fits through reparameterization

Résumé Technique : Atténuation des dépendances a priori pour les ajustements de regroupement (clustering) de DESI DR1 par reparamétrisation

Énoncé du Problème
Ce travail traite d'un problème systématique spécifique dans les analyses bayésiennes de la forme complète du regroupement (full-shape clustering) de la première version de données (DR1) de l'instrument DESI (Dark Energy Spectroscopic Instrument). Lors de l'analyse des multipôles du spectre de puissance à l'aide de la théorie du champ effectif de la grande structure (EFTofLSS), les paramètres de nuisance faiblement contraints (liés au biais galactique, aux contre-termes et au bruit de tir) présentent de fortes dégénérescences avec les paramètres cosmologiques. Dans les analyses standards utilisant des a priori larges, uniformes ou gaussiens, ces dégénérescences entraînent des « effets de projection de volume d'a priori ». Par conséquent, les distributions postérieures marginalisées pour les paramètres cosmologiques clés — spécifiquement la constante de Hubble ($H_0$) et les paramètres de l'équation d'état de l'énergie noire ($w_0, w_a$) — sont systématiquement décalées loin de l'estimation MAP (Maximum a Posteriori). Ce phénomène produit des écarts de plusieurs $\sigma$ entre les valeurs attendues rapportées et le maximum réel de la vraisemblance, particulièrement dans les jeux de données dotés d'un ancrage externe faible (par exemple, DESI combiné uniquement avec la nucléosynthèse primordiale et une contrainte faible sur l'indice spectral).

Méthodologie
Les auteurs réanalysent les multipôles du spectre de puissance de DESI DR1 en utilisant deux stratégies complémentaires conçues pour atténuer ces effets de projection sans dépendre d'hypothèses de modélisation astrophysique externes (telles que les modèles d'occupation des halos - HOD) :

1. Reparamétrisation Orthogonale Non Linéaire :

   • Les auteurs implémentent une technique pour décorréler les paramètres de nuisance ($N$) des paramètres cosmologiques ($C$).
   • Au lieu des modèles additifs généralisés (GAM) utilisés dans les travaux précédents, ils utilisent un réseau de neurones entièrement connecté pour apprendre l'espérance conditionnelle $f(C) \approx E[N|C]$ à partir d'un échantillon de l'a posteriori initial.
   • Les paramètres de nuisance sont transformés en une base orthogonale $N' = N - f(C)$, rendant ces derniers approximativement non corrélés avec la cosmologie.
   • L'analyse est ensuite réajustée dans cet espace transformé, avec des a priori redimensionnés pour maintenir une variance physique dans la base originale.

2. A Priori de Jeffreys Invariant par Reparamétrisation :

   • Les auteurs implémentent un a priori de Jeffreys entièrement invariant par reparamétrisation sur l'ensemble des coefficients de l'EFTofLSS. Cet a priori est construit à partir de la racine carrée du déterminant de la matrice d'information de Fisher ($p_J(\theta) \propto \sqrt{\det I(\theta)}$).
   • Pour surmonter les goulots d'étranglement computationnels associés aux matrices de Fisher de haute dimension, ils dérivent des expressions analytiques en forme close du Jacobien des multipôles du spectre de puissance par rapport aux paramètres de l'EFT.
   • Ces Jacobiens sont évalués en temps réel pendant l'échantillonnage par chaîne de Markov Monte Carlo (MCMC) à l'aide de l'émulateur Effort.jl et du framework Turing.jl, permettant des mises à jour efficaces du facteur de Jeffreys à chaque étape.
   • Les auteurs testent deux configurations : un a priori de Jeffreys « pur » et une approche « hybride » (Jeffreys + Gaussienne de référence), où l'a priori de Jeffreys est combiné aux largeurs gaussiennes de référence originales pour contrôler les queues de distribution excessivement larges dans les paramètres physiques comme la densité de matière noire froide ($\omega_c$).

Contributions Clés

• Implémentation Algorithmique : Le papier étend l'application des a priori de Jeffreys dans les analyses EFTofLSS des sous-ensembles linéaires de paramètres à l'ensemble complet des paramètres de nuisance non linéaires, en utilisant des Jacobiens analytiques pour maintenir l'efficacité computationnelle.
• Orthogonalisation par Réseau de Neurones : Ce travail met à jour la méthodologie d'orthogonalisation en remplaçant les GAM par des réseaux de neurones, améliorant ainsi la gestion des dégénérescences multivariées hautement non linéaires et garantissant la stabilité numérique dans les espaces de haute dimension.
• Validation Trans-Framework : L'étude fournit une comparaison rigoureuse entre trois cadres d'inférence distincts :
  1. L'approche bayésienne proposée avec correction de volume basée sur Jeffreys (spécifiquement le mode hybride Jeffreys+Baseline).
  2. Une approche calibrée par simulation utilisant des a priori informés par l'HOD (HIP).
  3. Une analyse de vraisemblance profilée (profile likelihood) fréquentiste.

Résultats

• Atténuation de la Projection : Dans la configuration faiblement ancrée « DESI + BBN + $n_s$ », l'a priori de référence standard (BLP) présente des effets de projection significatifs, décalant $H_0$, $w_0$ et $w_a$ de plusieurs écarts-types par rapport au MAP. La méthode d'orthogonalisation atténue partiellement ces décalages, mais l'a priori de Jeffreys (particulièrement la variante hybride) recentre avec succès les distributions postérieures, incluant le MAP dans les régions de crédibilité à 68 % pour ces paramètres.
• Contraintes de Paramètres : L'approche hybride Jeffreys+Baseline est identifiée comme la méthode fiduciaire. Elle contrôle les queues trop larges observées pour $\omega_c$ avec l'a priori de Jeffère pur, tout en préservant les bénéfices de la correction de volume pour les paramètres d'expansion.
• Consistance entre les Frameworks : Lorsque des contraintes externes sont ajoutées (CMB et Type Ia Supernovae), les différences entre les méthodes baseline, orthogonalisée, Jeffreys et informée par l'HOD diminuent. Cependant, même dans le régime faiblement contraint, l'approche hybride de Jeffreys et l'approche informée par l'HOD donnent des valeurs centrales et des directions de dégénérescence cohérentes, malgré leurs hypothèses fondamentalement différentes (correction de volume géométrique vs modélisation astrophysique).
• Accord Frequentiste-Bayésien : Les intervalles de crédibilité dérivés de l'approche hybride de Jeffreys montrent un excellent accord avec les intervalles de confiance de la vraisemblance profilée fréquentiste en termes de valeurs centrales et de directions de dégénérescence, suggérant que l'information de vraisemblance sous-jacente est extraite de manière cohérente une fois les effets de projection contrôlés.

Signification et Revendications
Le papier affirme qu'en contrôlant correctement les effets de projection de volume d'a priori par des mesures invariantes par reparamétrisation (spécifiquement l'a priori de Jeffreys), des inférences robustes sur l'expansion cosmologique tardive peuvent être faites indépendamment du cadre statistique spécifique (Bayésien vs Fréquentiste) ou de l'adoption d'hypothèses astrophysiques spécifiques (modèles HOD).

Les auteurs soulignent que leur méthodologie démontre que les écarts précédemment observés entre différents pipelines d'analyse étaient largement pilotés par des artefacts de projection plutôt que par des incohérences fondamentales dans les données ou les modèles. La convergence des résultats entre l'analyse bayésienne basée sur Jeffreys, l'analyse bayésienne informée par l'HOD et l'analyse de vraisemblance profilée fréquentiste valide la fiabilité des contraintes de regroupement de la forme complète de DESI DR1 sur $H_0$, $w_0$ et $w_a$. Ce travail établit une fondation méthodologique pour les futures analyses de grande structure (par exemple, avec DESI et Euclid) où l'augmentation de la puissance statistique nécessitera un contrôle rigoureux de tels effets systématiques.