$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

Immaginate l'universo come un enorme oceano invisibile di materia, che si estende dal Big Bang a oggi. La maggior parte di questo oceano è composta da "materia oscura", una sostanza misteriosa che non possiamo vedere direttamente, ma che sappiamo essere presente perché possiede gravità. Quando la luce delle galassie distanti attraversa questo oceano cosmico, la gravità della materia oscura agisce come uno specchio deformante, allungando e torcendo leggermente le forme di quelle galassie. Questo fenomeno è chiamato "lente gravitazionale debole". Misurando queste minuscole distorsioni nelle forme di miliardi di galassie, gli astronomi possono mappare la materia oscura invisibile e capire le regole che governano la crescita e l'espansione dell'universo.

Per molto tempo, gli scienziati hanno cercato di osservare questo specchio cosmico usando strumenti semplici, come la misurazione di quanto siano correlati i gruppi di coppie di galassie. È come guardare le increspature su uno stagno per indovinare la velocità del vento. Ma l'universo è disordinato e complesso, e queste misurazioni semplici raccontano solo una parte della storia. Esse perdono i segreti di "ordine superiore" — i modelli complessi e non lineari che accadono quando tre o più galassie interagiscono in un modo specifico. Per sbloccare questi segreti, gli scienziati devono osservare forme più complicate, come i triangoli formati da tre galassie, piuttosto che semplici coppie. Tuttavia, questi modelli complessi sono notoriamente difficili da prevedere con la matematica standard perché il comportamento dell'universo diventa troppo selvaggio e imprevedibile per essere gestito da formule semplici.

È qui che entra in gioco il documento. Gli autori, guidati da David Gebauer e Anik Halder, hanno costruito un nuovo kit di strumenti digitali chiamato SBi3PCF per decifrare questo codice. Invece di cercare di forzare l'universo in una scatola matematica semplice, hanno deciso di lasciare che l'universo insegnasse loro le regole attraverso l'esecuzione di massicce e realistiche simulazioni al computer. Pensate a cercare di imparare a cucinare la torta perfetta. Invece di limitarsi a leggere una ricetta (il vecchio metodo matematico), hanno cucinato migliaia di torte in una cucina virtuale, cambiando leggermente gli ingredienti ogni volta, e poi hanno usato un'intelligenza artificiale super intelligente per imparare esattamente come gli ingredienti influenzano il sapore finale.

Nel loro studio, hanno simulato il campo di shear cosmico — il modello di forme distorte delle galassie — utilizzando una potente suite di simulazioni chiamata CosmoGridV1. Non si sono limitati a simulare la materia oscura; hanno incluso tutti i "problemi sistematici" del mondo reale che rendono complicate le osservazioni reali, come gli errori nella misurazione delle distanze delle galassie, l'influenza della materia normale (barioni) che si aggrega e il rumore casuale delle forme delle galassie. Hanno poi utilizzato una tecnica chiamata Inferenza Basata su Simulazione (SBI) con una rete neurale (un tipo di IA) per apprendere la relazione tra i parametri della simulazione e i dati risultanti.

Il team si è concentrato su una statistica specifica e complessa: la funzione di correlazione integrata a 3 punti (i3PCF). Potete pensare alla misurazione standard a "2 punti" come al controllo di come due galassie siano correlate, mentre la misurazione a "3 punti" controlla come un trio di galassie si relazion la tra loro. La i3PCF è un modo intelligente per misurare queste relazioni tra trii senza dover prima ricostruire l'intera mappa invisibile dell'universo.

Ecco cosa hanno scoperto:

• Il Mito Gaussiano: Per molto tempo, gli scienziati hanno assunto che il "rumore" statistico nei loro dati seguisse una curva a campana regolare e fluida (una distribuzione Gaussiana). Gli autori hanno testato questo presupposto e hanno scoperto che, mentre i dati semplici a "2 punti" si adattano bene a questa curva a campina, i dati combinati che includono le misurazioni complesse a "3 punti" (i3PCF) non lo fanno. La distribuzione diventa asimmetrica e strana, specialmente per le scale più grandi. Ciò significa che i vecchi metodi matematici che si basano sulla curva a campana fornirebbero risultati inaccurati per questi nuovi dati. Il loro approccio basato sull'IA, invece, non si cura della forma della curva; apprende la vera e disordinata distribuzione direttamente dalle simulazioni.
• Distrazioni Trascurabili: Hanno verificato se due effetti specifici — il clustering delle galassie sorgente (dove le galassie di fondo non sono perfettamente casuali) e lo shear ridotto (una sottile correzione a come misuriamo la distorsione) — rovinerebbero le loro misurazioni. Hanno scoperto che, per la scala degli attuali sondaggi (come il Dark Energy Survey Year 3), questi effetti sono così piccoli da poter essere ignorati in sicurezza. Il segnale della materia oscura è molto più forte di questi piccoli intoppi.
• Una Grande Spinta alla Precisione: Quando hanno applicato il loro nuovo processo di IA a dati simulati (osservazioni che sembrano proprio quelle reali), l'aggiunta della i3PCF alle misurazioni standard ha fatto una grande differenza. Ha migliorato la precisione dei loro vincoli cosmologici di un valore mediano del 63,8%. Nello specifico, ha aiutato a determinare meglio i valori della densità di materia ($\Omega_m$), della compatezza della materia ($\sigma_8$) e dell'equazione di stato dell'energia oscura ($w_0$) rispetto a prima. Il miglioramento è stato più drammatico per $\sigma_8$, dove l'incertezza è diminuita di circa il 31,0%.

Il documento conclude che questo nuovo framework, SBi3PCF, è un modo robusto e accurato per analizzare questi complessi modelli cosmici. Dimostra che, utilizzando simulazioni e IA per bypassare la necessità di formule matematiche perfette, gli scienziati possono estrarre significativamente più informazioni dai segnali di lente gravitazionale debole. Ciò apre la strada affinché futuri sondaggi ancora più vasti (come quelli della missione Euclid e dell'Osservatorio Vera C. Rubin) possano utilizzare queste statistiche di ordine superiore per risolvere i più grandi misteri del cosmo, tenendo conto anche della disordinata realtà di come osserviamo l'universo.