Self-calibration of weak lensing cosmic shear biases

Nel profondo del cielo notturno, miliardi di galassie lontane vengono allungate e distorte dallo scheletro invisibile dell'universo. Questo fenomeno, noto come lente gravitazionale debole, si verifica quando la gravità di strutture massicce, come la materia oscura, devia il percorso della luce che viaggia da quelle galassie distanti verso la Terra. Misurando queste minuscole distorsioni, gli astronomi possono mappare la distribuzione della materia oscura e comprendere come l'universo si sia evoluto nel tempo. Tuttavia, per trasformare queste forme deboli in misurazioni precise del cosmo, gli scienziati devono prima assicurarsi che i loro strumenti siano perfetti. Anche il più lieve errore nel modo in cui un telescopio registra un'immagine, o nel modo in cui un computer calcola la forma di una galassia, può introdurre un bias sistematico. Se questi errori non vengono corretti, possono portare a conclusioni errate sulla natura dell'energia oscura e sul destino dell'universo.

Per anni, il modo standard per correggere questi errori è stato quello di affidarsi a massicce simulazioni al computer. Gli scienziati creano universi finti con proprietà note, li fanno passare attraverso il proprio software di misurazione e osservano quanto i risultati differiscano dalla realtà. Utilizzano poi queste differenze per calibrare i propri dati del mondo reale. Ma man mano che i telescopi diventano più potenti e la precisione richiesta diventa più rigorosa, affidarsi esclusivamente alle simulazioni sta diventando un collo di bottiglia. Le simulazioni sono costose, complesse e sollevano dubbi sul fatto che riflettano davvero la realtà disordinata del cielo. È necessario un nuovo approccio — uno che possa trovare e correggere questi errori usando i dati reali stessi, senza bisogno di una simulazione separata che indichi cosa sia sbagliato.

In uno studio recente, i ricercatori Giuseppe Congedo e Andy Taylor hanno proposto un metodo per fare esattamente questo. Hanno sviluppato un modo per autocalibrare le misurazioni del taglio cosmico (cosmic shear) guardando direttamente alla distribuzione statistica delle forme delle galassie nel cielo. Invece di trattare ogni galassia come un singolo pezzo di un puzzle che deve essere corretto uno alla volta, hanno guardato all'intera collezione di forme come a un unico schema mutevole. La loro idea centrale è che, mentre le misurazioni delle singole galassie sono rumorose e imprevedibili, la forma complessiva della distribuzione di milioni di galassie segue regole matematiche rigorose. Quando si insinuano errori di misurazione, noti come bias, essi distorcono l'intero schema in un modo specifico e prevedibile.

I ricercatori si sono concentrati su due tipi di errori che affliggono comunemente queste misurazioni. Il primo è un errore additivo, che agisce come uno spostamento costante, spingendo la forma media delle galassie in una direzione specifica. Il secondo è un errore moltiplicativo, che agisce come uno zoom o un allungamento, facendo apparire l'intera distribuzione delle forme più ampia o più stretta di quanto sia in realtà. In passato, gli scienziati sono stati in grado di correggere gli spostamenti additivi osservando i dati, ma l'allungamento moltiplicativo è stato molto più difficile da individuare senza simulazioni esterne. Congedo e Taylor hanno dimostrato che, analizzando l'intera distribuzione delle forme delle galassie, inclusi il suo picco acuto al centro e le sue code lunghe e sottili, potevano separare matematicamente il vero segnale cosmico da questi due tipi di errori simultaneamente.

Per testare il loro metodo, il team ha creato una simulazione realistica di un rilievo galattico. Sono partiti da una distribuzione di forme galattiche perfetta e nota, e hanno deliberatamente introdotto quantità specifiche di errori additivi e moltiplicativi, insieme al rumore casuale previsto da un vero telescopio. Hanno poi applicato la loro nuova tecnica statistica a questi dati rumorosi e distorti. Il metodo funzionava costruendo un modello matematico flessibile di come dovrebbero apparire le forme delle galassie e poi chiedendo: "Quale combinazione di allungamento, spostamento e rumore trasformerebbe questo modello perfetto nei dati disordinati che vediamo?". Eseguendo questo processo milioni di volte, sono stati in grado di trovare i valori più probabili per gli errori.

I risultati sono stati sorprendenti. Anche in presenza di rumore e della complessa interazione tra i diversi parametri, il metodo ha recuperato con successo l'esatta quantità di errore che era stata iniettata nella simulazione. I ricercatori hanno scoperto che la tecnica poteva determinare l'errore moltiplicativo entro una frazione di percentuale, un livello di precisione richiesto per la prossima generazione di telescopi spaziali. Fondamentalmente, ciò è stato ottenuto senza conoscere la risposta vera in anticipo e senza fare affidamento su alcuna simulazione esterna per fornire una linea di base. Il metodo ha efficacementmente "risolto" per gli errori usando la coerenza interna dei dati stessi.

Uno degli aspetti più significativi di questo lavoro è che non dipende da assunzioni sulle forme specifiche delle galassie o sui dettagli della cosmologia. Tratta le forme delle galassie come una popolazione statistica, il che significa che funziona indipendentemente dal fatto che le galassie siano a spirale o ellittiche, o che l'universo si stia espandendo velocemente o lentamente. I ricercatori hanno anche dimostrato che il metodo è robusto contro le piccole imperfezioni del modello. Anche se la descrizione matematica delle forme delle galassie non fosse un match perfetto con la realtà, gli errori nella calibrazione finale rimanevano molto piccoli. Ciò suggerisce che la tecnica sia pratica per l'applicazione nel mondo reale, dove la distribuzione vera delle forme delle galassie non è mai perfettamente nota.

Lo studio ha anche affrontato una preoccupazione comune: che gli errori possano essere così intrecciati con le variazioni naturali nelle forme delle galassie da non poter essere separati. I ricercatori hanno dimostrato che, sebbene alcuni dei parametri sottostanti siano effettivamente legati, il processo statistico che hanno utilizzato riesce a districarli. Guardando all'intera distribuzione invece che solo alla media, sono riusciti a distinguere tra una naturale dispersione nelle forme delle galassie e un allungamento artificiale causato dagli errori di misurazione. Questa capacità di distinguere tra i due è ciò che permette al metodo di funzionare senza dover conoscere le proprietà esatte delle galassie in anticipo.

Questo nuovo approccio offre uno strumento potente per i futuri rilievi, come quelli pianificati per i telescopi Euclid e Rubin, che mirano a mappare l'universo con un'accuratezza senza precedenti. Fornendo un modo per calibrare le misurazioni direttamente dai dati, esso riduce la dipendenza da massicce e risorse-intensive simulazioni. Sebbene il metodo sia stato testato su dati simulati, i ricercatori sostengono che gli stessi principi si applichino alle osservazioni reali. La flessibilità del modello, che può adattarsi a diversi tipi di dati, significa che può essere applicato a varie sottoclassi di galassie, come quelle a diverse distanze o in diverse parti del cielo.

In definitiva, questo lavoro rappresenta un cambiamento nel modo in cui gli astronomi pensano alla calibrazione. Invece di vedere gli errori come un fastidio che deve essere corretto da un riferimento esterno, il metodo tratta gli errori come una caratteristica dei dati che può essere decodificata. Trasforma la sfida dell'incertezza di misurazione in un problema statistico risolvibile. Dimostrando che i bias moltiplicativi e additivi possono essere inferiti congiuntamente dalla distribuzione osservata delle forme delle galassie, i ricercatori hanno aperto la strada verso misurazioni cosmologiche più indipendenti e affidabili. Mentre il campo si muove verso una precisione ancora maggiore, questa capacità di autocalibrazione potrebbe diventare essenziale per svelare i segreti dell'universo oscuro.