Constraining cosmological simulations with peculiar velocities: a forward-modeling approach

Titolo: Vincolare le simulazioni cosmologiche con le velocità peculiari: un approccio di modellazione diretta (Hamlet-PM)

Definizione del problema
Le simulazioni numeriche sono essenziali per comprendere la dinamica gravitazionale, tuttavia le simulazioni cosmologiche standard riproducono l'Universo solo statisticamente, fallendo nel corrispondere spazialmente al particolare "Universo Locale" osservato dagli astronomi. Questo limite ostacola lo studio di oggetti vicini rari, deboli o ben studiati che esistono in un unico ambiente specifico. Mentre le "simulazioni vincolate" mirano a riprodurre l'ambiente locale, le pipeline esistenti (come il workflow del consorzio CLUES) si affidano a un approccio eterogeneo e multi-step che consiste nel ricostruire i campi di densità/velocità tramite un Filtro di Wiener (WF), spostare i vincoli indietro nel tempo tramite l'Approssimazione di Zel'dovich Inversa (RZA) e generare le condizioni iniziali (IC). Questi passaggi si basano pesantemente sulla teoria lineare e su assunzioni (ad esempio, incertezze gaussiane della velocità) che decadono nel regime non lineare e introducono bias sistematici. Inoltre, gli attuali metodi spesso faticano a modellare accuratamente la dinamica dell'Universo tardivo dove le velocità peculiari vengono misurate.

Metodologia: Hamlet-PM
Gli autori presentano Hamlet-PM, un framework di modellazione diretta (forward-modeling) completamente bayesiano che vincola le condizioni iniziali direttamente dai dati di velocità peculiare a $z=0$. A differenza delle iterazioni precedenti (ad esempio, Hamlet-L) che utilizzavano la teoria lineare, Hamlet-PM integra i seguenti componenti:

1. Risolutore di gravità differenziabile: Il metodo sostituisce il modello lineare con un risolutore di gravità particle-mesh (PM) grossolano (pmwd) implementato in JAX. Ciò consente l'integrazione della dinamica nel regime debolmente non lineare.
2. Costruzione ibrida del campo di velocità: Per affrontare i problemi delle celle vuote nelle regioni dei vuoti (voids) dove l'interpolazione standard Cloud-in-Cell (CiC) fallisce, gli autori impiegano un approccio ibrido. Nelle regioni dense, il campo di velocità è derivato dalla rappresentazione CiC della simulazione N-body. Nelle regioni quasi vuote, viene utilizzata un'approssimazione della teoria lineare. Questi campi sono mescolati utilizzando una funzione di ponderazione dipendente dalla densità.
3. Inferenza Bayesiana: Il framework stima la distribuzione di probabilità a posteriori dei modi di Fourier del campo di sovradensità ad alto redshift e delle distanze dei vincoli. Utilizza l'Hamiltonian Monte Carlo (HMC) tramite la libreria blackjax per esplorare lo spazio dei parametri, evitando le approssimazioni del Filtro di Wiener.
4. Dati: Il metodo è applicato al catalogo Cosmicflows-4 (CF4), un dataset composito di circa 56.000 galassie raggruppate in circa 38.000 gruppi, limitato a $cz \leq 16.500$ km/s ($z \sim 0,05$) per garantire l'isotropia dei dati e gestire i vincoli computazionali.
5. Esecuzione della simulazione: Le condizioni iniziali inferite (a bassa risoluzione, $128^3$) sono aumentate con potenza casuale su piccola scala per raggiungere $512^3$ particelle. Queste vengono evolute fino a $z=0$ utilizzando il codice AREPO, generando una suite di 100 simulazioni in un box di $500^3$ $h^{-1}\text{Mpc}$.

Contributi chiave

• Framework Hamlet-PM: Una nuova estensione del metodo Hamlet che consente di vincolare direttamente le IC dai dati di velocità a $z=0$ utilizzando un risolutore di gravità differenziabile e non lineare, andando oltre i limiti della teoria lineare del pipeline CLUES.
• Metrica Opt-LUM: L'introduzione di un "modello dell'Universo Locale ottimizzato" (opt-LUM). Questo algoritmo sposta iterativamente la posizione target dei cluster osservati verso il centro di massa degli aloni simulati corrispondenti. Ciò cattura gli spostamenti spaziali sistematici (bias posizionali) che il LUM standard penalizza, fornendo un tasso di rilevamento e una stima della massa più robusti.
• Benchmarking standardizzato: L'applicazione della Velocity Field Olympics (VFO) e delle metriche LUM per confrontare quantitativamente il nuovo metodo rispetto alle simulazioni vincolate basate su velocità (CLONES, P23) e su redshift (CSiBORG, Manticore-Local).

Risultati

• Struttura su grande scala: Le 100 simulazioni riproducono con successo la struttura su grande scala all'interno del volume vincolato, mostrando filamenti e vuoti persistenti. Le strutture non lineari appaiono più pronunciate rispetto alle ricostruzioni lineari.
• Rilevamento dei cluster: Utilizzando la metrica opt-LUM, il tasso di rilevamento per 12 prominenti cluster vicini (es. Virgo, Coma, Shapley) migliora significativamente rispetto allo standard LUM. La maggior parte dei cluster raggiunge un tasso di rilevamento $>80\%$ a $2\sigma$, con molti che raggiungono le soglie di $3\sigma$ e $4\sigma$.
• Stime di massa: Le distribuzioni di massa a posteriori per i cluster corrispondenti sono generalmente coerenti con i valori della letteratura (sonde X-ray, SZ e dinamiche), particolarmente quando si utilizzano i controparti opt-LUM.
• Performance del campo di velocità: Nel benchmark VFO, Hamlet-PM supera le precedenti pipeline basate sulla velocità (CLONES), ma è superato dalle simulazioni vincolate basate sul redshift (Manticore-Local, CSiBORG1).
• Bias sistematici: Lo studio identifica un'abbondanza eccessiva di aloni massicci ($>10^{14} h^{-1}M_\odot$) nel volume vincolato rispetto alle previsioni $\Lambda$CDM e alle stime osservative. Il risolutore particle-mesh utilizzato per l'inferenza sembra sottostimare le ampiezze di velocità nelle regioni dense, costringendo le condizioni iniziali a deviare dal modello cosmologico per adattarsi ai dati, il che risulta in resimulazioni con troppi cluster massicci.

Significatività e affermazioni
L'articolo afferma che la modellazione diretta (forward modeling) a livello di campo delle condizioni iniziali può essere applicata con successo alle osservazioni reali di velocità peculiari per produrre simulazioni cosmologiche altamente vincolate. Nella sua forma attuale, Hamlet-PM è asserito superare la qualità dello standard pipeline CLUES (WF/RZA/CRs) attualmente utilizzato nella comunità delle velocità peculiari, principalmente grazie alla sua capacità di modellare le non linearità e i complessi effetti osservativi all'interno di un framework bayesiano autosufficiente.

Tuttavia, gli autori sono modesti riguardo alle attuali limitazioni del metodo. Essi riconoscono che i bias sistematici, specificamente la sovrapproduzione di cluster massicci e la sottostima dei contrasti di velocità nelle regioni dense da parte del risolutore particle-mesh grossolano, devono essere affrontati. Il paper conclude che, sebbene il metodo rappresenti un salto in avanti per l'analisi dei dati di velocità peculiare a livello di campo, è ancora superato dalle simulazioni vincolate basate sul redshift (come Manticore-Local) a causa della maggiore densità e precisione dei dati di redshift rispetto ai dati di distanza basati sulle velocità peculiari. I miglioramenti futuri sono attesi dal raffinamento del modello osservativo (funzioni di selezione, calibrazione incrociata) e dal miglioramento della modellazione del campo di densità/velocità per sondare più profondamente il regime non lineare.