Bayes-SCF: A Bayesian filter to mitigate foreground leakage in the 21-cm power spectrum

1. Il Problema: Stima dello Spettro di Potenza 21-cm e Perdita di Canali

L'osservazione della transizione iperfine a 21 cm dell'idrogeno neutro (H I) durante l'Era della Reionizzazione (EoR) è fondamentale per comprendere la formazione delle prime strutture cosmiche. Tuttavia, il segnale cosmologico (fluttuazioni di temperatura di ~10 mK) è oscurato da foregrounds astrofisici (radiazione di sincrotrone) che sono ordini di grandezza più luminosi.

La sfida principale risiede nella separazione spettrale:

• I foregrounds sono tipicamente lisci nello spettro di frequenza.
• Il segnale 21-cm presenta fluttuazioni rapide lungo la linea di vista (LoS).

In teoria, questo permette di separare i segnali nel dominio di Fourier (spazio dei ritardi), dove i foregrounds occupano i modi a basso $k_{\parallel}$. Tuttavia, due fattori complicano questa separazione:

1. Cromaticità strumentale: La risposta delle interferometrie varia con la frequenza, mescolando la struttura angolare in quella frequenziale (mode mixing), creando un "wedge" di foregrounds che contamina i modi più alti.
2. Canali mancanti (Flagging): Per eliminare le interferenze radio (RFI) o a causa di artefatti strumentali (es. bordi delle sub-bande nel MWA), è necessario "flaggare" (escludere) specifici canali di frequenza. Questo crea discontinuità spettrali che, se trasformate direttamente con la FFT, generano artefatti di "ringing" che disperdono la potenza dei foregrounds su tutto lo spettro $k_{\parallel}$.

Un approccio comune per evitare il ringing è stimare prima la funzione di correlazione a due punti $C(\Delta\nu)$ e poi trasformarla. Sebbene robusto ai canali mancanti, questo metodo fallisce se i foregrounds non sono stazionari (ergodici) lungo la linea di vista, portando a una contaminazione residua.

2. Metodologia Proposta: Bayes-SCF

L'autore propone un'estensione bayesiana del metodo Smooth Component Filtering (SCF), precedentemente introdotto da Elahi et al. (2025, E25).

Approccio Tradizionale (Hann-SCF)

Nel metodo E25, la componente liscia (dominante, i foregrounds) viene stimata convolvendo i dati visibilità con una finestra di Hann lungo l'asse della frequenza.

• Limiti: Funziona bene solo se i foregrounds sono estremamente lisci (lunga lunghezza di correlazione). Fallisce quando i foregrounds presentano strutture spettrali complesse (lunghezze di correlazione brevi, tipiche del "wedge" a grandi $k_{\perp}$). Inoltre, richiede di scartare i dati ai bordi della banda a causa della convoluzione finita e non gestisce bene i canali mancanti senza riempimento artificiale.

Approccio Proposto: Bayes-SCF

L'autore sostituisce la convoluzione fissa con una Regressione tramite Processi Gaussiani (Gaussian Process Regression - GPR).

• Modellazione: Il segnale totale $T(\nu)$ è modellato come la somma di una componente liscia ($T_S$), una componente "ruvida" ($T_R$, il segnale cosmologico) e rumore.
• Kernel:
  • La componente liscia è modellata con un kernel RBF (Radial Basis Function) infinito-differenziabile.
  • La componente ruvida è modellata con un kernel Matérn-3/2, adatto a fluttuazioni rapide.
• Iperparametri e Vincoli Bayesiani:
  • La lunghezza di correlazione della componente liscia ($N_S$) è fissata a un valore predefinito ($N_{GP}$). Questo impedisce al modello di assorbire le fluttuazioni fini del segnale cosmologico.
  • Gli altri iperparametri (ampiezze e lunghezza di correlazione della componente ruvida) sono ottimizzati massimizzando la verosimiglianza marginale sui canali non flaggati.
• Estrazione: Una volta ottimizzati i parametri, la componente liscia stimata $\hat{T}_S$ viene sottratta dai dati totali per ottenere i dati filtrati $T_F$, pronti per la stima dello spettro di potenza tramite correlazione.

3. Contributi Chiave

1. Dimostrazione dei limiti dell'Hann-SCF: L'articolo mostra che l'uso di finestre fisse (come Hann) è intrinsecamente limitato quando i foregrounds hanno strutture spettrali complesse (non lisse), portando a una perdita di segnale o a residui di foreground.
2. Introduzione di Bayes-SCF: Sviluppo di un filtro bayesiano basato su GP che modella la componente liscia in modo non parametrico ma controllato, adattandosi ai dati reali senza richiedere l'inpainting (riempimento) dei canali mancanti.
3. Robustezza ai canali mancanti: A differenza dei metodi basati su FFT o convoluzione diretta, Bayes-SCF opera direttamente sui canali disponibili, evitando artefatti di campionamento irregolare.
4. Validazione su dati simulati: Test rigorosi su dati simulati che includono sia foregrounds lisci che "non lisci" (unsmooth), con diverse configurazioni di flagging (periodico, casuale, ibrido).

4. Risultati

Gli esperimenti sono stati condotti simulando dati dell'MWA (Murchison Widefield Array) nella banda 138.9–169.6 MHz ($z \approx 8.2$).

• Scenario Foreground Lisci: Sia Hann-SCF che Bayes-SCF riescono a recuperare lo spettro di potenza EoR, rimuovendo efficacemente i foregrounds.
• Scenario Foreground "Non Lisci" (Unsmooth):
  • Hann-SCF: Fallisce. Non riesce a modellare le strutture spettrali complesse dei foregrounds, lasciando residui significativi che oscurano il segnale 21-cm.
  • Bayes-SCF: Successo. Riesce a separare la componente liscia da quella ruvida anche in presenza di foregrounds con strutture spettrali forti. Lo spettro di potenza recuperato è coerente con il modello teorico di input entro le incertezze statistiche ($1\sigma$) per tutte le configurazioni di flagging (NOFLAG, PERIODIC, RANDOM, ecc.).
• Gestione dei Bordi e della Banda: Bayes-SCF utilizza l'intera banda di frequenza, a differenza di Hann-SCF che deve scartare i canali ai bordi.
• Riduzione dell'Incertezza: L'applicazione di SCF riduce la varianza del campione causata dal campionamento non uniforme, migliorando la precisione a grandi $k_{\parallel}$.

5. Significato e Conclusioni

Il lavoro di Elahi rappresenta un passo avanti cruciale per l'analisi dei dati 21-cm:

• Superamento delle limitazioni attuali: Fornisce una soluzione robusta al problema della perdita di canali e della contaminazione da foregrounds complessi, che è uno dei principali ostacoli per esperimenti come MWA, HERA e LOFAR.
• Flessibilità: L'approccio bayesiano permette di adattare il filtro alla struttura reale dei dati senza assumere una forma spettrale rigida.
• Implicazioni future: Sebbene il costo computazionale sia attualmente elevato (un limite da ottimizzare), Bayes-SCF promette di fornire vincoli più stringenti sulla reionizzazione e sulla struttura su larga scala dell'universo, specialmente applicando questo metodo ai dati reali del MWA e futuri dati dello SKAO.

In sintesi, Bayes-SCF combina la robustezza degli stimatori basati sulla correlazione (che gestiscono bene i canali mancanti) con la flessibilità della modellazione probabilistica bayesiana, risolvendo il problema della perdita di segnale e della contaminazione residua in scenari realistici e complessi.