Informative Priors on Primordial Non-Gaussianity Bias $b_{\phi}$ From Galaxy Formation

1. Il Problema: Degenerazione tra $f_{NL}^{loc}$ e $b_\phi$

L'obiettivo centrale della cosmologia moderna è vincolare le fluttuazioni di densità primordiali generate durante l'inflazione, in particolare la non-gaussianità primordiale di tipo locale ($f_{NL}^{loc}$).

• La Sfida: L'impronta della $f_{NL}^{loc}$ sulla distribuzione delle galassie si manifesta come un bias di scala dipendente. Tuttavia, a livello di ordine principale, il parametro di bias $b_\phi$ (che descrive la risposta del conteggio delle galassie alle perturbazioni primordiali a lunga lunghezza d'onda) è esattamente degenerato con $f_{NL}^{loc}$ nello spettro di potenza delle galassie.
• L'Approccio Attuale e i suoi Limiti: Le analisi attuali rompono questa degenerazione assumendo una "relazione di universalità" ($b_\phi = 2\delta_c(b_1 - 1)$), basata sull'ipotesi di una funzione di massa degli aloni universale.
• Il Fallimento dell'Assunzione: È stato dimostrato che questa relazione non è valida per selezioni di galassie motivate fisicamente (es. basate sulla massa stellare o sul tasso di formazione stellare). L'uso di questa relazione errata introduce errori sistematici nelle stime di $f_{NL}^{loc}$, che scalano direttamente con la prior assunta su $b_\phi$. Per i sondaggi di prossima generazione (come DESI, Euclid, SPHEREx), è necessario stabilire prior informativi e realistici su $b_\phi$ che tengano conto delle incertezze nella fisica della formazione galattica.

2. Metodologia

Gli autori propongono un framework per costruire prior su $b_\phi$ condizionati alle osservazioni, marginalizzando sulle incertezze dei parametri di formazione galattica ($\theta_{gf}$). La relazione fondamentale è:
$$p(b_\phi|\{Obs\}) = \int d\theta_{gf} \, p(b_\phi|\theta_{gf}) \, p(\theta_{gf}|\{Obs\})$$

Il processo si articola in tre fasi principali:

A. Simulazioni e Dati

• CAMELS-SAM: Utilizzano la suite di simulazioni CAMELS-SAM (1005 realizzazioni) che combina simulazioni N-body con un modello semi-analitico (Santa Cruz SAM) per la formazione galattica. Vengono variati parametri cosmologici ($\Omega_M, \sigma_8$) e tre parametri di feedback galattico:
  • $A_{AGN}$: efficienza del feedback degli AGN.
  • $A_{SN1}, A_{SN2}$: parametri di normalizzazione e pendenza del feedback stellare.
• Separate Universe (SU) Simulations: Un sottoinsieme di 50 simulazioni SU (volume più grande, $205 \, h^{-1}$ Mpc) viene utilizzato per misurare direttamente $b_\phi$ variando i parametri di formazione galattica. Il formalismo "Separate Universe" permette di calcolare la risposta del numero di galassie a una modifica della potenza dello spettro primordiale su larga scala.

B. Emulazione e Interpolazione

Poiché le simulazioni SU sono costose e non coprono densamente lo spazio dei parametri, gli autori utilizzano due strumenti di machine learning:

1. Gaussian Process Emulator (GPE): Addestrato sulla suite CAMELS-SAM completa (1000+ realizzazioni) per prevedere osservabili di formazione galattica (Funzione di Massa Stellare - SMF, Relazione Massa Stellare-Massa Aloni - SHMR, Metallicità-Massa Stellare) in punti arbitrari dello spazio dei parametri. Questo permette di campionare la distribuzione a posteriori $p(\theta_{gf}|\{Obs\})$ tramite MCMC.
2. Interpolatore a Funzioni di Base Radiale (RBF): Addestrato sui 50 punti delle simulazioni SU per mappare i parametri di formazione galattica $\theta_{gf}$ al valore di $b_\phi$.

C. Campionamento MCMC

Il framework combina i due strumenti: il GPE genera campioni dei parametri di formazione galattica compatibili con i dati osservativi, e l'interpolatore RBF mappa questi campioni in una distribuzione di $b_\phi$, ottenendo così la prior condizionata $p(b_\phi|\{Obs\})$.

3. Risultati Chiave

Gli autori hanno testato il metodo sia su dati simulati (fiduciali) che su dati osservativi reali (DESI-like, SMF, SHMR, Metallicità).

• Riduzione dell'Incertezza:

  • La distribuzione a priori non pesata (basata solo sulla suite SU) ha un'incertezza su $b_\phi$ di $\sigma_{b_\phi} \approx 0.69$.
  • Condizionando sulla Funzione di Massa Stellare (SMF), l'incertezza scende a 0.08 (riduzione dell'88%).
  • Condizionando sulla Relazione Massa Stellare-Massa Aloni (SHMR), l'incertezza scende a 0.02 (riduzione del 97%).
  • La condizione sulla relazione Metallicità-Massa Stellare ($M_*-Z_*$) riduce l'incertezza del 33-52%, meno efficacemente a causa delle maggiori incertezze osservative in quel regime.

• Coerenza delle Distribuzioni:

  • Nonostante i parametri di formazione galattica ($\theta_{gf}$) subiscano spostamenti significativi (specialmente $A_{AGN}$ quando si usa la SHMR, a causa di discrepanze note nel modello SC-SAM ad alte masse), le distribuzioni risultanti di $b_\phi$ rimangono mutuamente consistenti tra i diversi osservabili.
  • Questo dimostra che il framework è robusto: anche se il modello di formazione galattica non è perfetto, la marginalizzazione sull'incertezza del modello produce una stima affidabile di $b_\phi$.

• Confronto con Metodi Tradizionali:

  • Un semplice ri-pesaggio delle simulazioni basato sul $\chi^2$ (senza emulazione MCMC) fornisce un guadagno informativo trascurabile (divergenza KL vicina a zero).
  • L'approccio basato su emulatore e MCMC estrae un guadagno informativo significativo (divergenza KL > 1.5), permettendo di vincolare fortemente $b_\phi$.

4. Contributi e Significato

• Superamento della Relazione di Universalità: Il lavoro dimostra che è possibile ottenere prior informativi su $b_\phi$ senza fare affidamento sulla relazione di universalità ($b_\phi \propto b_1 - 1$), che è fisicamente inaccurata per molte selezioni di galassie.
• Mitigazione dei Bias Sistematici: Fornendo una prior realistica su $b_\phi$ che tiene conto della fisica della formazione galattica, si riduce drasticamente l'incertezza sistematica nelle future misurazioni di $f_{NL}^{loc}$.
• Pronto per i Sondaggi di Prossima Generazione: Le riduzioni di incertezza ottenute (fino al 97%) sono sufficienti per rendere le misurazioni di $f_{NL}^{loc}$ con sondaggi come DESI ed Euclid competitive e capaci di discriminare tra diversi modelli inflazionari (es. escludere modelli a campo singolo).
• Robustezza del Framework: Il metodo dimostra che è possibile ottenere risultati solidi anche quando il modello di formazione galattica sottostante presenta discrepanze con i dati osservativi, purché si marginalizzi correttamente sulle incertezze dei parametri del modello.

In sintesi, il paper fornisce un metodo rigoroso e computazionalmente efficiente per trasformare l'incertezza sulla fisica delle galassie da un ostacolo in un vincolo preciso, abilitando la prossima generazione di test cosmologici sulla non-gaussianità primordiale.