Galaxy cluster count cosmology with simulation-based inference

Titolo: Cosmologia con il conteggio degli ammassi di galassie tramite inferenza basata su simulazioni (SBI)

Autore: M. Regamey et al.
Data: Giugno 2025
Fonte: Astronomy & Astrophysics (arXiv:2506.05457v1)

---

1. Il Problema

Gli ammassi di galassie sono le più grandi strutture legate gravitazionalmente nell'universo e la loro abbondanza e distribuzione di massa costituiscono sonde sensibili per i parametri cosmologici, in particolare $\Omega_m$ (densità di materia) e $\sigma_8$ (ampiezza delle fluttuazioni di densità). Tuttavia, l'accuratezza dei sondaggi basati sul conteggio degli ammassi è attualmente limitata da diverse incertezze sistematiche:

• Relazione Osservabile-Massa: La difficoltà di derivare la massa degli aloni (non direttamente osservabile) da grandezze osservabili come la temperatura o la luminosità nei raggi X.
• Funzione di Massa degli Aloni (HMF): L'accuratezza dei modelli teorici che descrivono la distribuzione delle masse.
• Funzione di Selezione: La complessa implementazione della selezione del sondaggio, che spesso non può essere trattata analiticamente in modo completo.
• Tensioni Cosmologiche: Esistono tensioni significative (fino a 5$\sigma$ per $H_0$ e 3$\sigma$ per $S_8$) tra le misurazioni del fondo cosmico a microonde (CMB) e quelle della struttura su larga scala, rendendo cruciale il perfezionamento dei modelli di sondaggio.

I metodi tradizionali si basano spesso su likelihood analitiche e approssimazioni che non riescono a marginalizzare completamente su queste sistematiche complesse.

2. Metodologia

Gli autori propongono un approccio di modellazione diretta (forward modeling) basato sull'Inferenza Basata su Simulazioni (SBI - Simulation-Based Inference). Il metodo evita la necessità di una likelihood analitica esplicita, sostituendola con un processo di apprendimento automatico.

Pipeline di Simulazione:

1. Input Cosmologici: Si parte da parametri cosmologici ($\Omega_m, \sigma_8, H_0$) e parametri delle relazioni di scala (es. pendenza e normalizzazione della relazione Massa-Luminosità).
2. Generazione di Campioni:
   • Si calcola il volume del sondaggio e si generano aloni di materia oscura utilizzando una Funzione di Massa degli Aloni (HMF, modello Tinker et al. 2008).
   • Si applica una correzione di massa per convertire le masse simulate (definite in una specifica cosmologia di riferimento) nella cosmologia target, tenendo conto della dipendenza dalla cosmologia della calibrazione tramite lente debole (WL).
   • Si derivano le proprietà osservabili (Temperatura $T_x$, Luminosità $L_x$) utilizzando relazioni di scala (Massa-Temperatura e Massa-Luminosità) con scatter intrinseco.
   • Si applicano correzioni K-correction e modelli $\beta$ per convertire la luminosità in flusso misurato in un'apertura fisica fissa (es. 300 kpc).
3. Selezione: Si applica la funzione di selezione del sondaggio (basata su flusso, temperatura e redshift) direttamente nello spazio degli osservabili.
4. Inferenza (SBI):
   • Viene utilizzato il pacchetto Python sbi che implementa l'algoritmo DELFI (Density Estimation Likelihood-Free Inference).
   • Una rete neurale viene addestrata per apprendere la mappatura tra i parametri di input e le statistiche riassuntive dei dati simulati (istogrammi di flusso, temperatura e redshift).
   • Una volta addestrata, la rete stima la distribuzione a posteriori dei parametri cosmologici e delle relazioni di scala dati i dati osservati (o mock).

3. Contributi Chiave

• Modellazione End-to-End: Il primo studio che applica l'SBI per la ricostruzione congiunta dei parametri cosmologici e delle relazioni di scala degli ammassi, trattando l'intero processo di osservazione in modo numerico.
• Gestione delle Sistematiche: Capacità di includere esattamente la funzione di selezione e gli scatter intrinseci senza approssimazioni analitiche, marginalizzando direttamente sulle incertezze dei parametri fisici (es. pendenza della relazione Massa-Luminosità).
• Validazione su Simulazioni: Utilizzo di un catalogo mock realistico estratto dalla simulazione N-body UNIT1i, con proprietà ICM (mezzo intra-ammasso) "dipinte" sugli aloni usando un approccio semi-analitico (Comparat et al. 2020).
• Analisi della Copertura: Implementazione di test rigorosi (goodness-of-fit e coverage test) per verificare l'affidabilità statistica delle distribuzioni a posteriori ottenute.

4. Risultati

Lo studio è stato validato su campioni mock estratti dalla simulazione UNIT1i (cosmologia Planck 2015) per due aree di sondaggio: 50 deg$^2$ (simile a XMM-XXL) e 1000 deg$^2$ (simile a survey future).

• Accuratezza dei Parametri: Il metodo recupera con successo i parametri cosmologici di input ($\Omega_m, \sigma_8, H_0$) e i parametri delle relazioni di scala. I valori recuperati sono coerenti con i valori veri entro gli intervalli di confidenza.
• Degenerazioni: Viene confermata la degenerazione nota tra $\Omega_m$ e $\sigma_8$, nonché una correlazione con $H_0$ dovuta all'influenza combinata sul volume cosmico e sulla normalizzazione della HMF.
• Impatto della Dimensione del Sondaggio: L'aumento dell'area del sondaggio da 50 a 1000 deg$^2$ riduce significativamente le incertezze sui parametri, dimostrando la scalabilità del metodo per survey future come eROSITA ed Euclid.
• Analisi delle Incertezze Sistematiche:
  • Varianza di Campione e HMF: La varianza di campione e la scelta del modello di HMF (confronto tra Tinker08, Watson13, Despali16, Bocquet16) sono fonti di incertezza subdominanti rispetto agli errori statistici per aree di 50 deg$^2$.
  • Calibrazione di Massa: La scala di massa assoluta (normalizzazione della relazione Massa-Temperatura) è la principale fonte di errore sistematico. Una variazione del $\pm 10\%$ nella normalizzazione porta a variazioni significative in $\Omega_m$ (fino al 28%) e $\sigma_8$ (fino all'11%).
  • Robustezza di $S_8$: Nonostante la forte sensibilità di $\Omega_m$ e $\sigma_8$ alla calibrazione di massa, la quantità composta $S_8 = \sigma_8(\Omega_m/0.3)^{0.3}$ risulta molto meno sensibile a queste incertezze, variando solo del 4%.

5. Significato e Conclusioni

Il lavoro dimostra che l'Inferenza Basata su Simulazioni (SBI) è un approccio promettente e potente per la cosmologia futura basata sugli ammassi di galassie.

• Flessibilità: Permette di utilizzare tutti gli osservabili disponibili (flusso, temperatura, redshift, shear di lente debole) in modo coerente, senza dover costruire likelihood analitiche complesse.
• Precisione: La capacità di marginalizzare sulle incertezze delle relazioni di scala e di applicare funzioni di selezione esatte migliora l'affidabilità dei risultati.
• Implicazioni Future: Per survey su larga scala (eROSITA, Euclid), dove gli errori statistici diminuiranno, la calibrazione della scala di massa assoluta dovrà essere controllata con una precisione inferiore al 10% per evitare bias sistematici. Tuttavia, la misura di $S_8$ rimane robusta anche con calibrazioni meno precise.

In sintesi, questo metodo offre un quadro più flessibile e potenzialmente più accurato per estrarre informazioni cosmologiche dai sondaggi di ammassi, aiutando a risolvere le attuali tensioni cosmologiche.