Multiprobe cosmology forecasts from halo-occupation-distribution-based forward modeling of galaxy and void statistics

Sintesi Tecnica: Previsioni Cosmologiche Multi-Probe dalla Modellazione Forward basata sulla Distribuzione di Occupazione degli Aloni per la Statistica di Galassie e Vuoti

Definizione del Problema
I vuoti cosmici, le grandi regioni sottodense della ragnatela cosmica, sono sonde potenti ma sottoutilizzate della cosmologia. Sebbene la statistica dei vuoti fornisca vincoli indipendenti sulla crescita delle strutture ($\Omega_m$ e $\sigma_8$) e offra una sensibilità unica alle masse dei neutrini, l'energia oscura e la gravità modificata, il loro potenziale è attualmente limitato dalle sfide di modellazione. La difficoltà principale risiede nella "relazione vuoto-tracciante": i vuoti sono identificati osservativamente all'interno della distribuzione delle galassie, richiedendo un modello che colleghi i vuoti di materia "reale" ai vuoti di galassie osservati. Gli approcci teorici standard si affidano spesso a prescrizioni empiriche o assunzioni di teoria lineare che potrebbero non catturare appieno le complessità della connessione galassia-alone o gli effetti di selezione di specifici algoritmi di ricerca dei vuoti. Inoltre, le degenerazioni tra i parametri cosmologici e la connessione galassia-alone (specificamente la Distribuzione di Occupazione degli Aloni, o HOD) limitano spesso la precisione dei vincoli derivati dalla sola statistica dei vuoti.

Metodologia
Gli autori utilizzano un approccio di modellazione forward basato su simulazioni, impiegando la suite di simulazioni N-body AbacusSummit.

• Modellazione delle Galassie: Popolano gli aloni di materia oscura con galassie mock utilizzando un framework di Distribuzione di Occupazione degli Aloni (HOD) esteso. Questo modello include parametri per le occupazioni di galassie centrali e satelliti ($\langle N_{cen}|M_h \rangle$ e $\langle N_{sat}|M_h \rangle$) e incorpora il bias di assemblaggio delle galassie, dove l'occupazione delle galassie dipende dall'ambiente su larga scala (misurato tramite la sovradensità di materia $\delta^m_8$).
• Identificazione dei Vuoti: I vuoti sono identificati nelle distribuzioni di galassie HOD simulate utilizzando l'algoritmo $V^2$ (basato sul metodo watershed ZOBOW), che costruisce i vuoti tramite tassellazioni di Voronoi. Ciò garantisce che la statistica dei vuoti sia coerente con l'algoritmo specifico di ricerca dei vuoti utilizzato nei dati osservativi.
• Osservabili: Lo studio prevede i vincoli da un vettore di dati multi-probe che imita il DESI Year 5 (14.000 deg$^2$, $0.4 < z < 0.66$). Le osservabili includono:
  1. La funzione di dimensione dei vuoti ($n_v$).
  2. La funzione di correlazione incrociata proiettata vuoto-galassia ($w_{p,vg}$).
  3. La funzione di auto-correlazione proiettata delle galassie ($w_{p,gg}$).
  4. La densità superficiale in eccesso dei vuoti ($\Delta\Sigma_{vm}$) dal lensing debole (in scenari specifici).
• Previsione (Forecasting): Le previsioni della matrice di Fisher sono calcolate utilizzando le derivate del vettore di dati rispetto ai parametri cosmologici ($\Omega_m, \sigma_8$) e ai parametri HOD (inclusi i parametri di bias di assemblaggio $Q_{cen}$ e $Q_{sat}$). Le matrici di covarianza sono stimate numericamente utilizzando subvolumi delle simulazioni e un metodo bootstrap, con smoothing boxcar per mitigare il rumore.

Contributi Chiave

1. Autocalibrazione tramite Modellazione Forward: Il documento dimostra che combinare la statistica dei vuoti e delle galassie all'interno di un singolo framework di modellazione forward basato su HOD permette l'autocalibrazione della relazione vuoto-galassia. Modellando esplicitamente la connessione galassia-alone, il metodo marginalizza le incertezze su come le galassie popolano gli aloni, rompendo le degenerazioni che affliggono le analisi basate solo sul clustering delle galassie.
2. Rottura delle Degenerazioni: Lo studio mostra che la combinazione della funzione di dimensione dei vuoti e del clustering delle galassie rompe la degenerazione tra $\Omega_m$ e $\sigma_8$. Ciò è guidato dalla risposta dipendente dalla dimensione della funzione di dimensione dei vuoti rispetto a $\Omega_m$ (dove $\Omega_m$ influenza i vuoti piccoli e grandi in modi opposti), che contrasta con la direzione di degenerazione del clustering delle galassie.
3. Vincoli sul Bias di Assemblaggio: Il framework riesce a prevedere i vincoli sui parametri di bias di assemblaggio delle galassie ($Q_{cen}, Q_{sat}$), che sono tipicamente difficili da vincolare con il solo clustering delle galassie.
4. Integrazione del Lensing: Il documento fornisce previsioni per la combinazione della funzione di dimensione dei vuoti con segnali di weak lensing impilati (stacked) da survey Stage-III e Stage-IV (inclusi scenari di lensing cinematico), mostrando un potere complementare significativo.

Risultati

• Previsioni DESI-Y5 (Statistica Galassia + Vuoto): Per lo scenario fiduciale che combina $n_v$, $w_{p,vg}$ e $w_{p,gg}$, gli autori prevedono vincoli del 1.5% su $\Omega_m$ e dello 0.8% su $\sigma_8$. La combinazione meglio vincolata è $\sigma_8 \Omega_m^{-0.038}$, vincolata allo 0.8%.
• Rottura della Degenerazione: Utilizzando solo la funzione di dimensione dei vuoti ($n_v$) si ottengono vincoli più deboli (5.9% su $\Omega_m$, 15.5% su $\sigma_8$) con significative degenerazioni. Utilizzando solo il clustering delle galassie ($w_{p,gg}$) si ottengono il 4.8% e il 7.3%. La combinazione di $n_v$ e $w_{p,gg}$ da soli migliora questi valori a 1.9% e 1.1%, dimostrando che la funzione di dimensione dei vuoti fornisce informazioni cruciali ortogonali.
• Previsioni del Lensing dei Vuoti: Combinare la funzione di dimensione dei vuoti con il lensing dei vuoti da una survey Stage-IV (sovrapposizione di 1250 deg$^2$) migliora i vincoli al 4.8% ($\Omega_m$) e 2.6% ($\sigma_8$). Con una sovrapposizione ottimistica di 10.000 deg$^2$, i vincoli raggiungono il 3.7% per $\Omega_m$ e l'1.5% per $\sigma_8$. Gli scenari di lensing cinematico (KL) mostrano un potenziale simile, con 2000 deg$^2$ di dati KL che producono vincoli del 4.0% e 1.7%.
• Sensibilità ai Parametri: L'analisi rivela che la funzione di dimensione dei vuoti è altamente sensibile alla larghezza di transizione dell'occupazione centrale ($\sigma_{\log M}$) e alla massa minima dell'alone ($M_{min}$), mentre è relativamente insensibile ai parametri di occupazione dei satelliti ($M_1, \alpha$). Al contrario, il lensing dei vuoti è principalmente sensibile ai parametri cosmologici e meno ai dettagli HOD.

Significatività e Rivendicazioni
Il documento rivendica che questo approccio stabilisce un percorso robusto per l'utilizzo dei vuoti come sonde cosmologiche di precisione. Integrando la statistica dei vuoti con il clustering delle galassie in un framework di modellazione forward, lo studio dimostra che:

• Nessun Costo Aggiuntivo di Nuisance: Predire la statistica dei vuoti all'interno di un framework HOD non richiede parametri di nuisance aggiuntivi oltre a quelli necessari per il clustering delle galassie, rendendo la combinazione efficiente e teoricamente coerente.
• Robustezza ai Sistemi: Poiché i vuoti sono sensibili a sistemi diversi rispetto al clustering delle galassie e al lensing debole, essi offrono preziosi controlli incrociati per le sonde dell'Universo tardivo, particolarmente rilevanti per affrontare la tensione $S_8$.
• Prontezza Futura: La metodologia è progettata per essere applicabile a future survey spettroscopiche come DESI e survey di weak lensing (es. Roman Space Telescope), fornendo un blueprint per estrarre la massima informazione cosmologica dalla connessione galassia-vuoto.

Gli autori osservano che, sebbene le loro previsioni siano basate su statistiche in spazio reale, l'inclusione di distorsioni nello spazio delle redshift e degli effetti Alcock-Paczyński in lavori futuri potrebbe potenziare ulteriormente i vincoli, sebbene ciò richiederebbe la modellazione di ulteriori parametri di nuisance.