Foreground removal in HI 21 cm intensity mapping under frequency-dependent beam distortions

Sintesi Tecnica: Rimozione del foreground nel mapping di intensità HI a 21 cm sotto distorsioni del fascio dipendenti dalla frequenza

Definizione del Problema
Il mapping di intensità dell'idrogeno neutro (HI) è una sonda primaria per la cosmologia nell'epoca post-riionizzazione, offrendo una visione tomografica dell'Universo. Tuttavia, l'estrazione del debole segnale HI è severamente ostacolata dai foreground astrofisici (sincrotrone, free-free e sorgenti puntiformi) che sono fino a cinque ordini di grandezza più luminosi. Sebbene i metodi di Separazione di Sorgenti Cieca (BSS) e di fitting parametrico abbiano mostrato potenziale, essi tipicamente assumono un fascio (beam) semplificato, indipendente dalla frequenza, o una risoluzione degradata uniforme. Gli strumenti reali, come MeerKAT, presentano distorsioni del fascio dipendenti dalla frequenza, incluse variazioni non regolari (oscillanti) nella larghezza a metà massimo (FWHM). Questi effetti strumentali si accoppiano con i foreground creando caratteristiche spettrali artificiali che mimano il segnale cosmologico, degradando le prestazioni delle standard tecniche di separazione.

Metodologia
Gli autori valutano le prestazioni di varie tecniche di rimozione dei foreground utilizzando dati simulati di mapping di intensità HI che coprono l'intervallo 900–1400 MHz, rilevante per MeerKAT e SKA-Mid. Le simulazioni includono segnali cosmologici HI realistici (basati su CRIME), foreground galattici (utilizzando modelli PySM3 per sincrotrone e free-free), tutti convoluti con fasci telescopici e contaminati da rumore termico.

Sono stati testati tre modelli di fascio per aumentare progressivamente il realismo:

1. Gaussian Degraded (Gaussiano Degradato): Una risoluzione uniforme ottenuta tramite lo smoothing di tutti i canali alla risoluzione peggiore.
2. Gaussian Evolving (Gaussiano Evolutivo): Un fascio in cui la FWHM varia naturalmente con la frequenza.
3. Gaussian Oscillating (Gaussiano Oscillante): Un modello realistico che incorpora un termine oscillatorio nell'evoluzione della FWHM, imitando il comportamento osservato del fascio di MeerKAT.

Lo studio confronta due categorie di metodi:

• Model-fitting (Fitting di Modello): Fitting polinomiale (di 6° ordine) e fitting parametrico (modellazione di free-free e sincrotrone con indici spettrali fissi o liberi).
• Blind Source Separation (BSS - Separazione di Sorgenti Cieca): PCA, Fast Independent Component Analysis (FastICA), Generalized Morphological Component Analysis (GMCA) e il proposto SDecGMCA.

Approccio SDecGMCA
Il documento introduce l'applicazione di SDecGMCA (Spherical DecGMCA) al mapping di intensità HI. A differenza della BSS standard che assume una miscela lineare $X = AS$, SDecGMCA affronta il fascio dipendente dalla frequenza risolvendo un problema congiunto di deconvoluzione e separazione delle sorgenti nel dominio degli armonici sferici. Il modello è formulato come $\hat{X}_{\ell m}^\nu = \hat{H}_\ell^\nu A_\nu \hat{S}_{\ell m} + \hat{N}_{\ell m}^\nu$, dove $\hat{H}_\ell^\nu$ è la funzione di trasferimento del fascio. L'algoritmo stima iterativamente le mappe delle sorgenti e la matrice di miscelazione, imponendo la sparsità nel dominio wavelet (starlet) e la fedeltà dei dati nello spazio armonico.

Risultati Chiave

• Uniform Beam (Fascio Uniforme): Sotto il modello "Gaussian degraded", tutti i metodi (fitting e BSS) performano bene, recuperando gli spettri di potenza angolare e di frequenza con un'accuratezza superiore al 10% nella maggior parte delle scale.
• Evolving Beam (Fascio Evolutivo): Le prestazioni divergono. Il fitting parametrico fallisce completamente. GMCA degrada a scale intermedie a causa della rottura della coerenza spaziale. PCA, FastICA e SDecGMCA mantengono l'accuratezza, sebbene i metodi BSS fatichino a separare completamente le distorsioni dipendenti dalla scala alle grandi scale di frequenza ($k_\nu < 0.1$).
• Oscillating Beam (Fascio Oscillante): Questo è lo scenario più impegnativo. Sia il fitting polinomiale che quello parametrico falliscono catastroficamente, producendo spettri di potenza altamente distorti. Tra i metodi BSS, SDecGMCA è l'unica tecnica capace di recuperare il segnale HI con un'accuratezza $\lesssim 5\%$ alle scale angolari intermedie ($10 < \ell < 200$). Fondamentalmente, SDecGMCA sopprime un picco spettrale spurio a $k_\nu \sim 0.3$ (attribuito all'accoppiamento fascio-foreground) che persiste in PCA, FastICA e GMCA.
• Limitazioni: Tutti i metodi, incluso SDecGMCA, mostrano instabilità e picchi spuri ad alti multipoli ($\ell > 200$) a causa dell'instabilità intrinseca dell'inversione del fascio. Inoltre, si osserva un eccesso alle grandi scale ($\ell < 10$) nel caso del fascio oscillante, probabilmente derivante da artefatti di pre-processing relativi alla maschera delle sorgenti HI brillanti.
• Strategie di Mascheramento (Masking): Lo studio dimostra che mascherare le regioni galattiche brillanti (sia tramite post-processing che simulando l'attenuazione del piano galattico) migliora significativamente la fedeltà della ricostruzione. SDecGMCA beneficia maggiormente di questa strategia, mostrando un miglior recupero ai bassi multipoli e una maggiore soppressione del picco spurio.
• Iperparametri: Il numero di sorgenti ($n_s$) è identificato come un iperparametro critico. Si trova un intervallo ottimale di $n_s \approx 5-7$ per bilanciare sottostima (underfitting) e sovrastima (overfitting) nel caso del fascio oscillante.

Significatività e Rivendicazioni
Il documento stabilisce che i semplici metodi di fitting e le tecniche BSS standard sono insufficienti quando vengono considerate le realistiche distorsioni del fascio dipendenti dalla frequenza. Posiziona SDecGMCA come un approccio particolarmente promettente per le future survey di mapping di intensità a singolo piatto poiché tiene esplicitamente conto della risposta dell'strumento durante il processo di separazione.

Gli autori affermano che SDecGMCA fornisce ricostruzioni robuste dello spettro di potenza dell'HI in armonici sferici anche sotto condizioni di fascio complesse e senza pre-mascheramento. Tuttavia, rimangono modesti riguardo alle attuali limitazioni: il metodo richiede ancora una calibrazione attenta degli iperparametri (specificamente $n_s$ e regolarizzazione) e l'instabilità intrinseca dell'inversione del fascio limita la ricostruzione affidabile a $\ell \lesssim 200$. Il documento conclude che, sebbene SDecGMCA sia un passo avanti significativo, il lavoro futuro deve concentrarsi sull'integrazione delle strategie di mascheramento direttamente nel framework, sullo sviluppo di diagnostiche basate sui dati per la selezione degli iperparametri e sul raffinamento degli schemi di soglia per migliorare ulteriormente le prestazioni.