On the Relation Between Field-Level Posteriors, Correlators, and their Likelihoods

1. Enunciato del Problema

L'analisi statistica della Struttura su Grande Scala (LSS) in cosmologia si è tradizionalmente basata su statistiche di sintesi, principalmente lo spettro di potenza ($P$) e lo spettro di potenza bispettrale ($B$). Sebbene computazionalmente efficienti, questo approccio comporta la compressione del campo di dati completo in un insieme finito di osservabili, sollevando una domanda critica: Quali informazioni vengono perse durante questa compressione?

Al contrario, l'inferenza a livello di campo (analizzando direttamente il campo di densità completo $\delta_d$) promette l'accesso al contenuto informativo completo. Tuttavia, i metodi a livello di campo sono spesso considerati legati a specifiche espansioni perturbative, algoritmi di ricostruzione o implementazioni numeriche ad alta dimensionalità, rendendo difficile confrontarli sistematicamente con le analisi standard basate sui correlatori. Manca un quadro unificato per:

1. Quantificare la perdita di informazioni indotta dalla compressione del campo in statistiche di sintesi.
2. Comprendere come le covarianze incrociate tra diverse statistiche (ad esempio, $P$ e $B$) ricostruiscano le informazioni del campo completo.
3. Chiarire la relazione tra l'inferenza a livello di campo e la ricostruzione delle condizioni iniziali.

2. Metodologia

Gli autori sviluppano una Posteriore a Livello di Campo (FLP) per dati cosmologici che è non perturbativa rispetto al modello forward. La metodologia centrale prevede:

• Modello Forward Generale: Il campo osservato $\delta_d$ è modellato come una funzione delle condizioni iniziali ($\delta_{in}$) e di una realizzazione del rumore ($\epsilon$). La FLP è derivata marginalizzando su queste variabili latenti.
• Espansione in Correlatori Connessi: Invece di espandere nella teoria perturbativa (SPT), gli autori espandono la FLP attorno al suo limite Gaussiano.
  • La parte "Gaussiana" ($L_g$) è definita utilizzando lo spettro di potenza completamente non lineare ($W_2$) del modello forward, non quello lineare. Questo assorbe l'intera informazione a due punti nella linea di base Gaussiana.
  • Le non-Gaussianità sono organizzate come un'espansione in correlatori connessi di ordine superiore ($W_3, W_4, \dots$) utilizzando funzionali di Hermite ($H_j$).
• Decomposizione della Matrice di Fisher: Gli autori derivano la matrice di Fisher per la FLP e la riorganizzano in una serie di contributi etichettati dai correlatori connessi ($W_j$). Ciò consente un confronto termine per termine tra l'informazione del campo completo e l'informazione contenuta in specifiche statistiche di sintesi.
• Confronto con Likelihood Compressi: Costruiscono likelihood per statistiche di sintesi (Spettro di Potenza, Bispettro e $P+B$ congiunti) integrando la FLP sul campo di dati vincolato dagli stimatori. Confrontano quindi le matrici di Fisher risultanti con la matrice di Fisher a livello di campo decomposta.

3. Contributi Chiave

A. Quadro Unificato per la Quantificazione dell'Informazione

Il documento stabilisce che l'informazione nella FLP può essere riorganizzata come l'informazione contenuta in una gerarchia infinita di correlatori, a condizione che venga mantenuta la loro matrice di covarianza completa (inclusi tutti i cross-covarianze).

• Spettro di Potenza ($P$): La likelihood Gaussiana standard per $P$ recupera solo la parte Gaussiana della matrice di Fisher a livello di campo. Manca dei termini derivanti dalla correlazione incrociata tra $P$ e statistiche di ordine superiore (come il bispettro).
• Bispettro ($B$): Una likelihood Gaussiana per $B$ recupera il contributo Gaussiano al blocco del bispettro ma non riesce a catturare i termini di cross-covarianza tra $P$ e $B$.
• La Cross-Covarianza è Cruciale: Gli autori dimostrano che includere la cross-covarianza tra spettro di potenza e bispettro è necessario per recuperare i termini nella matrice di Fisher a livello di campo che mancano nelle analisi a singola statistica. L'informazione del campo completo è recuperata solo quando la gerarchia è troncata a un certo ordine e tutte le cross-covarianze fino a tale ordine sono incluse.

B. Costruzione Non Perturbativa

A differenza dei precedenti approcci a livello di campo (ad esempio, teoria perturbativa inversa) che si basano su risoluzioni di griglia specifiche o limiti privi di rumore, questa formulazione:

• È valida per qualsiasi osservabile debolmente non-Gaussiano.
• Si applica ugualmente a calcoli perturbativi, previsioni basate su simulazioni e teorie di campo efficaci (EFTofLSS).
• Tratta il rumore a livello di correlatore piuttosto che richiedere realizzazioni esplicite del rumore, consentendo una connessione diretta ai termini stocastici dell'EFTofLSS.

C. Ricostruzione Ottimale delle Condizioni Iniziali

Il formalismo produce naturalmente lo stimatore ottimale per le condizioni iniziali ($\delta_{in}$) dati i dati osservati e il modello di rumore.

• Il campo ricostruito emerge come sottoprodotto della trasformata di Legendre del funzionale generatore.
• Al minimo ordine (approssimazione Gaussiana), questo recupera il classico filtro di Wiener.
• A ordini superiori, include correzioni non lineari (coinvolgendo $W_3, W_4$, ecc.), fornendo un modo sistematico per migliorare la ricostruzione oltre la teoria lineare.

4. Risultati Chiave

• Decomposizione della Matrice di Fisher: L'elemento della matrice di Fisher a livello di campo $F_{ab}$ è decomposto in contributi $F^{(i,j)}_{ab}$ che coinvolgono le derivate dei correlatori $W_i$ e $W_j$.
  • Il blocco "2-2" (Spettro di Potenza) contiene un termine Gaussiano, un termine presente nella matrice di Fisher solo-$P$ (coinvolgendo $W_4$) e un termine "genuino" a livello di campo che coinvolge correlatori connessi di ordine superiore ($W_j$ per $j \ge 5$) che vengono persi se viene usato solo $P$.
  • Questi termini "persi" sono recuperati nell'analisi $P+B$ solo quando viene inclusa la cross-covarianza tra $P$ e $B$.
• Recupero della Scala BAO: Gli autori applicano il quadro alla scala delle Oscillazioni Acustiche Barioniche (BAO). Mostrano che lo smorzamento del segnale BAO dovuto ai modi a lunghezza d'onda lunga (che solitamente richiede tecniche di ricostruzione) è catturato naturalmente nella FLP.
  • La perdita di informazioni nello spettro di potenza dovuta all'accoppiamento dei modi è esattamente compensata dall'informazione guadagnata dal bispettro (in particolare le configurazioni nel limite schiacciato).
  • Questo dimostra che il campo completo contiene tutte le informazioni necessarie per una ricostruzione BAO ottimale in presenza di rumore, e identifica i termini specifici del correlatore necessari per saturare questo limite.
• Regime di Validità: L'espansione è controllata dalla grandezza dei correlatori di ordine superiore rispetto allo spettro di potenza. Il documento fornisce criteri per determinare quando le approssimazioni Gaussiane per le statistiche di sintesi sono sufficienti e quando sono necessarie correzioni di covarianza non-Gaussiane (o un'analisi completa a livello di campo).

5. Significato

• Unificazione Teorica: Il documento colma il divario tra la cosmologia "a livello di campo" e quella "basata su correlatori". Dimostra che non sono approcci in competizione, ma piuttosto diverse troncature della stessa gerarchia informativa sottostante.
• Quantificazione della Perdita di Informazioni: Fornisce un metodo rigoroso e quantitativo per determinare esattamente quante informazioni vengono scartate quando si passa dal campo completo a statistiche di sintesi come $P$ o $P+B$.
• Guida Pratica: Chiarisce che aggiungere semplicemente il bispettro allo spettro di potenza è insufficiente; è necessario includere la cross-covarianza per evitare errori di parametri distorti.
• Sviluppi sulla Ricostruzione: Offre una nuova prospettiva sulla ricostruzione delle condizioni iniziali, mostrandola come una conseguenza naturale dell'inferenza a livello di campo piuttosto che come un passo algoritmico separato.
• Applicazioni Future: Il quadro è progettato per essere compatibile con l'inferenza basata su simulazioni (emulatori, surrogati ML) e l'EFTofLSS, rendendolo uno strumento versatile per i sondaggi di galassie di prossima generazione (ad esempio, Euclid, DESI, LSST) che si spingono nel regime debolmente non lineare.

In sintesi, Pietroni e Schmidt forniscono una fondazione matematica rigorosa che unifica l'inferenza a livello di campo e quella basata sui correlatori, dimostrando che l'informazione "mancante" nelle analisi compresse è precisamente l'informazione correlata incrociatamente tra diversi ordini della gerarchia di correlazione.