Probing gravity with non-linear clustering in redshift space

Problematica
L'osservata espansione accelerata dell'universo è tipicamente attribuita all'energia oscura o a una costante cosmologica ($\Lambda$), ma teorie alternative propongono modifiche alla Relatività Generale (GR) su scale cosmologiche. Una sfida primaria nel testare queste teorie è rompere la degenerazione tra i modelli di gravità modificata (MG) e i modelli di energia oscura, dato che i meccanismi di screening nei modelli MG (come il meccanismo chameleon nella gravità $f(R)$) sopprimono le deviazioni nelle regioni ad alta densità come il Sistema Solare. L'estimatore $E_G$ è stato proposto come una sonda indipendente dalla scala della gravità su grandi scale, definito come il rapporto tra il potenziale di curvatura (legato al lensing debole) e il campo di velocità (legato alle distorsioni redshift-spazio, RSD). Tuttavia, misurare accuratamente $E_G$ richiede determinazioni precise e non influenzate del tasso di crescita della struttura ($f$) e del bias galattico lineare ($b_1$). Le analisi attuali spesso assumono un tasso di crescita indipendente dalla scala e si affidano alla teoria lineare, il che potrebbe essere insufficiente per rilevare sottili deviazioni nei modelli MG dove il tasso di crescita diventa dipendente dalla scala. Inoltre, la capacità di $E_G$ di distinguere tra modelli MG vitali (come il modello $f(R)$ di Hu & Sawicki con $|f_{R0}| = 10^{-5}$, denominato F5) e la GR in presenza di clustering non lineare rimane una questione aperta.

Metodologia
Gli autori conducono un'analisi cosmologica end-to-end utilizzando mock di galassie ad alta fedeltà derivati da due simulazioni N-body gemelle: una basata sulla GR e l'altra sul modello $f(R)$ di Hu & Sawicki F5. Entrambe le simulazioni condividono le stesse condizioni iniziali e parametri cosmologici ($\Omega_m=0.3089$, $\Omega_\Lambda=0.6911$, ecc.), ma differiscono per la legge della forza gravitazionale.

1. Generazione dei Dati: I mock di galassie sono generati utilizzando una combinazione di Halo Occupation Distribution (HOD) e Sub-Halo Abundance Matching (SHAM) applicate alle simulazioni. Lo studio utilizza un output lightcone a tutto cielo con redshift spettroscopici, selezionando sei campioni distinti di galassie (full, central, red, blue, bright e faint) attraverso tre bin di redshift ($z=0.35, 0.55, 0.8$).
2. Costruzione dell'Estimatore: Gli autori adottano il raffinato estimatore $E_G$ descritto nel Riferimento [106], che utilizza gli spettri di potenza angolari ($C_\ell$) nello spazio delle configurazioni. L'estimatore è formulato come:
   $$\hat{E}_G^\ell(z_{eff}) \approx \Gamma(z_{eff}) \frac{C_{\kappa g^*}^\ell}{\beta C_{gg}^\ell}$$
   dove $C_{gg}^\ell$ è lo spettro di auto-potenza delle galassie, $C_{\kappa g^*}^\ell$ è lo spettro di cross-potenza tra convergenza e galassie pesato, e $\beta = f/b_1$ è derivato dalle analisi RSD.
3. Stima del Tasso di Crescita e del Bias:
   • Bias Lineare ($b_1$): Stimato indipendentemente dall'auto-correlazione angolare delle galassie utilizzando il codice pyCCL, fornendo un prior gaussiano per i successivi fit RSD.
   • Tasso di Crescita ($f$): Stimato effettuando il fit del monopolo e del quadrupolo della funzione di correlazione a 2 punti nello spazio delle configurazioni. Gli autori impiegano l'emulatore COMET-VDG, che implementa il modello della funzione Generatrice della Differenza di Velocità per catturare gli effetti non lineari delle RSD (incluso l'effetto Finger-of-God) in modo più accurato rispetto agli approcci standard di Teoria del Campo Effettivo (EFT) su piccole scale.
4. Potenziamento MG (MG Boosting): Poiché COMET non supporta nativamente le cosmologie MG, gli autori applicano il potenziamento dello spettro di potenza dall'emulatore e-mantis (specifico per $f(R)$) allo spettro di potenza della materia prima di generare i multipoli teorici.
5. Analisi Statistica: Un approccio Markov Chain Monte Carlo (MCMC) utilizzando MultiNest viene usato per adattare i parametri del modello. La matrice di covarianza è stimata tramite 100 regioni di campionamento Jackknife. La distribuzione finale di $E_G$ è calcolata usando una distribuzione di rapporto degli osservabili per tenere conto della non-gaussianità.

Contributi Chiave

• Pipeline End-to-End: Lo studio presenta una pipeline completa per il calcolo di $E_G$ utilizzando realistici mock di galassie in gravità modificata, incorporando la modellazione non lineare all'avanguardia (COMET-VDG) e la stima del tasso di crescita dipendente dalla scala.
• Analisi Dipendente dalla Scala: A differenza di lavori precedenti che spesso assumono l'indipendenza dalla scala, questo articolo testa esplicitamente l'estimatore $E_G$ attraverso diverse gamme di scala (piccola vs grande) per sondare le firme specifiche della gravità $f(R)$.
• Proposta di Test Null: Gli autori propongono un "test null" della gravità basato sulle statistiche di clustering a 2 punti nello spazio dei redshift. Questo test confronta direttamente il rapporto dei vettori dati (F5 vs GR), bypassando le complessità dell'estimatore $E_G$ per valutare il potere discriminativo intrinseco del clustering su piccola scala.
• Test di Robustezza: L'analisi include estesi test di robustezza riguardanti la selezione del campione di galassie (colore, magnitudine, centralità), la scelta della matrice di covarianza (Jackknife vs teorica vs diagonale) e le assunzioni sui prior dei parametri di bias non lineare.

Risultati

• Potere Discriminatorio di $E_G$: Anche per un sondaggio ideale, a tutto cielo e privo di sistematiche, l'estimatore $E_G$ non riesce a distinguere chiaramente tra i modelli F5 e GR. Le barre d'errore sono troppo ampie e le differenze previste tra i modelli (circa il 5%) sono comparabili alle incertezze statistiche.
• Dipendenza dalla Scala: I valori stimati di $E_G$ mostrano un trend opposto alle previsioni teoriche quando suddivisi per scala (sovra-predetti su piccole scale, sotto-predetti su grandi scale), probabilmente a causa di limitazioni di modellazione ed effetti di proiezione nel regime non lineare.
• Bias del Tasso di Crescita: Il tasso di crescita $f$ viene recuperato con un certo bias su piccole scale, in particolare per il modello F5, dove risulta sottostimato. Tuttavia, questo bias è parzialmente compensato dal termine di rapporto del clustering nel calcolo di $E_G$.
• Successo del Test Null: Al contrario dell'estimatore $E_G$, il test null proposto basato sul rapporto dei multipoli della funzione di correlazione a 2 punti (monopolo e quadrupolo) mostra un significativo potere discriminatorio. I vettori dati per F5 e GR differiscono a un livello di significatività di $\sim 3\sigma$ a $4\sigma$ attraverso i bin di redshift, indicando che il contenuto informativo esiste nei dati ma è oscurato dalla specifica costruzione dell'estimatore $E_G$ e dalle attuali limitazioni di modellazione.
• Limitazioni di Modellazione: Gli alti valori di $\chi^2_\nu$ osservati nei fit, particolarmente su piccole scale, suggeriscono che gli attuali modelli perturbativi (VDG/EFT) faticano ad descrivere accuratamente il clustering su scale inferiori a $\sim 10-20$ Mpc/$h$, dove si prevedono le deviazioni più forti dalla GR.

Significatività e Rivendicazioni
Il documento rivendica con modestia che, sebbene l'estimatore $E_G$ sia un test della gravità teoricamente robusto e non influenzato dal bias, la sua utilità pratica per distinguere tra modelli MG vitali (come F5) e la GR è limitata dalle attuali capacità di modellazione non lineare e dal rumore statistico, anche in scenari ideali. Gli autori sottolineano che il fallimento nel distinguere i modelli tramite $E_G$ non è necessariamente un fallimento dei dati, ma piuttosto una limitazione della costruzione dell'estimatore, che media i segnali dipendenti dalla scala dove gli effetti MG sono più forti.

Lo studio conclude che i progressi futuri richiedono:

1. Migliore Modellazione: Sviluppare template RSD e emulatori coerenti con la MG (ad esempio, BACCO) che possano modellare accuratamente il clustering su scale più piccole ($<10$ Mpc/$h$).
2. Probe Alternative: Utilizzare l'intero contenuto informativo del clustering nello spazio dei redshift (come dimostrato dal test null) o combinare molteplici osservabili (ad esempio, analisi 3x2pt) per rompere le degenerazioni tra i parametri di disturbo (come il bias galattico) e i parametri cosmologici.
3. Previsioni Realistiche: I risultati presentati sono limiti superiori in condizioni ideali; i sondaggi reali affronteranno ulteriori sistematiche (fisica barionica, allineamenti intrinseci, errori fotometrici) che degraderanno ulteriormente il potere discriminatorio di $E_G$.

In definitiva, il lavoro funge da benchmark per i limiti delle attuali metodologie $E_G$ e motiva lo sviluppo di framework di modellazione non lineare più sofisticati per sfruttare appieno il potenziale dei prossimi sondaggi galattici (come Euclid, DESI e LSST) nel testare la gravità.