Ridged Lagrangian Perturbation Theory (RLPT)

Titolo: Ridged Lagrangian Perturbation Theory (RLPT)

Autori: Francisco-Shu Kitaura e Francesco Sinigaglia

1. Il Problema

Le indagini cosmologiche moderne (come DESI, Euclid, Roman) richiedono la generazione rapida di grandi cataloghi di mock (simulazioni fittizie) per stimare le matrici di covarianza e controllare i sistematici osservativi.

• Limiti delle simulazioni N-body: Sebbene siano lo standard per la gravità non lineare, sono computazionalmente proibitive per la produzione di massa di mock su grandi volumi e griglie di parametri.
• Limiti delle approssimazioni LPT (Lagrangian Perturbation Theory): Solutori LPT a passo singolo (come 2LPT o ALPT) sono efficienti e catturano correttamente le fasi su larga scala, ma falliscono nella morfologia non lineare su piccola scala. I filamenti risultano troppo spessi, i nodi (knots) troppo superficiali e lo spettro di potenza mostra un deficit alle alte onde (k).
• Il vincolo della risoluzione: A risoluzione di forza fissa (mesh grossolane), anche se le fasi su larga scala sono corrette, il campo di densità manca di "affilatura" non lineare. Le correzioni esistenti (come eALPT) spesso richiedono iterazioni multiple che modificano le fasi su larga scala o degradano le prestazioni su mesh molto grossolane.

2. Metodologia: RLPT

Gli autori introducono la Ridged Lagrangian Perturbation Theory (RLPT), uno schema modulare in due passaggi progettato per operare a risoluzione di forza fissa. L'approccio separa esplicitamente il trasporto su larga scala dalla correzione su piccola scala.

Passo 1: Trasporto Lagrangiano a Lungo Raggio

• Si utilizza un solutore LPT standard (es. 2LPT o ALPT) per trasportare le particelle dalle coordinate lagrangiane $\vec{q}$ alle posizioni euleriane $\vec{x}^{(1)}$.
• Questo passo preserva le fasi su larga scala e la struttura cosmica di fondo.

Passo 2: Aggiornamento "Ridging" Euleriano (Completamento a Corto Raggio)

Questo è il cuore dell'innovazione. È un passo di post-processing applicato al campo di densità realizzato dopo il trasporto.

1. Separazione delle scale: Si calcola il campo di sovradensità $\delta^{(1)}$ sulla mesh e si applica un filtro passa-basso (es. funzione errore) per isolare la componente a corto raggio $\delta_{SR}$.
2. Remapping Sferico-Collapsante (Spherical-Collapse): La componente $\delta_{SR}$ viene mappata in un campo di potenziale compresso utilizzando la relazione di collasso sferico. Questo simula la dinamica non lineare di collasso su scale piccole.
3. Inversione di Poisson: Si ricostruisce uno spostamento potenziale puramente a corto raggio $\vec{\Psi}_{SR}$ risolvendo l'equazione di Poisson (una FFT in avanti e una inversa).
4. Aggiornamento: Le posizioni delle particelle vengono aggiornate: $\vec{x}^{(2)} = \vec{x}^{(1)} + D_{SR} \vec{\Psi}_{SR}$.

Estensioni Opzionali

• Vorticità (Vortical Ridging): Poiché l'aggiornamento euleriano può generare vorticità, è possibile aggiungere un termine solenoidale calibrato basato su modelli di accoppiamento di modi non lineari.
• Smooth-Particle Ridging (SPRLPT): Una variante ispirata alla Smooth Particle Hydrodynamics (SPH). Invece di usare la mesh, calcola gli spostamenti direttamente nello spazio delle particelle usando kernel di densità locale e gradienti di pressione. Questo permette correzioni "sotto-mesh" (subgrid) senza dipendere dalla risoluzione della griglia.

3. Contributi Chiave

1. Schema Modulare a Due Passi: RLPT offre un completamento esplicito e a basso costo (costo computazionale aggiuntivo trascurabile, essenzialmente una soluzione di Poisson) che non altera le fasi su larga scala ottenute dal passo 1.
2. Parametri Trasparenti: Il metodo introduce un piccolo set di parametri calibrabili (fattore di crescita a corto raggio $D_{SR}$, scala di transizione) per sintonizzare la risposta non lineare.
3. Modello di Sottogriglia Deterministico: La versione SPRLPT permette di posizionare traccianti (es. galassie/alone) all'interno di celle di mesh grossolane in modo deterministico, controllando la clustering su scale inferiori alla risoluzione della mesh.
4. Importanza dell'Assegnazione di Massa: Lo studio evidenzia che su mesh grossolane, l'uso di una tessellazione tetraedrica (CIC+tet) per l'assegnazione della massa è cruciale quanto l'algoritmo dinamico stesso per ridurre il rumore e preservare le strutture anisotrope.

4. Risultati Numerici

Gli autori hanno testato RLPT contro riferimenti PM (Particle-Mesh) e simulazioni N-body (AbacusSummit):

• Benchmark ad Alta Risoluzione (L=100 e 200 $h^{-1}$Mpc):
  • RLPT migliora sistematicamente lo spettro di potenza non lineare e l'accordo a livello di campo rispetto a 2LPT/ALPT.
  • A $z=0$, il coefficiente di correlazione incrociata con il riferimento PM a $k=0.5 \, h \text{ Mpc}^{-1}$ passa da ~0.54 (2LPT) a ~0.94 (RLPT).
  • Si raggiunge un accordo a livello di percento nello spettro di potenza fino a $k \simeq 0.3\text{--}0.4 \, h \text{ Mpc}^{-1}$.
• Benchmark su Mesh Grossolana (Abacus N-body):
  • Su mesh con risoluzione di ~5.5 $h^{-1}$Mpc, l'uso della tessellazione tetraedrica combinata con RLPT produce spettri di potenza incrociati più stabili e privi di artefatti di aliasing rispetto alla deposizione CIC standard.
  • RLPT recupera la potenza mancante su scale piccole che altrimenti verrebbero perse.
• Prova di Concetto: Posizionamento Subgrid:
  • In uno scenario dove gli aloni sono vincolati a contare per cella su una mesh grossolana, RLPT (tramite SPRLPT) permette di riposizionare gli aloni all'interno delle celle lungo i "dorsali" (ridges) di densità.
  • Questo metodo elimina l'impronta artificiale della griglia (picchi armonici nello spettro) e ripristina la clustering su piccola scala fino a $k \sim 8 \, h \text{ Mpc}^{-1}$, superando di gran lunga i metodi che posizionano gli oggetti casualmente o al centro delle celle.

5. Significato e Implicazioni

• Efficienza per Mock Production: RLPT offre un compromesso ideale tra velocità e accuratezza, permettendo di generare campi di materia oscura realistici su scale quasi-non lineari con un overhead computazionale minimo.
• Controllo dei Sistematici Osservativi: La capacità di controllare la clustering su piccola scala (es. coppie vicine) è vitale per modellare sistematici come le collisioni delle fibre nelle survey spettroscopiche (es. DESI).
• Flessibilità Fisica: Agendo come un "livello di risposta" esplicito, RLPT può essere calibrato non solo per la gravità standard, ma anche per mimetizzare teorie alternative (es. gravità modificata, materia oscura calda) o per modellare bias non locali in modo deterministico.
• Indipendenza dalla Risoluzione N-body: Anche se il campo di materia os sottostante non è preciso al 100% su scale molto piccole, RLPT permette di "aggiustare" statisticamente la distribuzione dei traccianti, rendendo possibile l'uso di solutori approssimati per analisi di precisione.

In sintesi, RLPT rappresenta un avanzamento significativo nella modellazione della struttura su larga scala, trasformando un limite delle approssimazioni LPT (la mancanza di affilatura su piccola scala) in una feature controllabile e calibrabile, essenziale per la prossima generazione di survey cosmologiche.