Mujic{\Lambda}: Reconstructing Initial Conditions from Incomplete Redshift Surveys with Projected Optimization

1. Enunciazione del Problema

La ricostruzione delle condizioni iniziali (IC) e del campo di densità sottostante da sondaggi realistici di galassie a redshift rappresenta una sfida critica in cosmologia. Sebbene i metodi di campionamento bayesiano (ad es. BORG, ELUCID) offrano una quantificazione robusta delle incertezze, sono computazionalmente costosi. Al contrario, i metodi basati sull'ottimizzazione (ad es. stima MAP) sono più rapidi ma soffrono di significativa instabilità quando applicati a dati realistici a causa di:

• Incompletezza del Sondaggio: I sondaggi reali presentano funzioni di selezione complesse e copertura del cielo incompleta, rendendo il problema inverso altamente sottodeterminato.
• Specificazione Errata del Modello: Assunzioni semplificative nei modelli forward (ad es. bias delle galassie) possono portare gli ottimizzatori al "reward hacking", dove la soluzione minimizza la funzione di perdita deviando dalla realtà fisica (ad es. producendo campi non gaussiani) piuttosto che recuperare il vero campo lineare.
• Violazione della Gaussianità: Gli ottimizzatori standard spesso non riescono a mantenere il prior gaussiano delle condizioni iniziali, portando a ricostruzioni non fisiche che divergono dalla cosmologia $\Lambda$CDM.

2. Metodologia: Framework MujicΛ

Gli autori introducono MujicΛ (Mapping the Universe with Jax-based Initial Condition Reconstruction), un framework basato sull'ottimizzazione progettato per ricostruire le IC mantenendo rigorosamente la gaussianità e la robustezza rispetto alla geometria del sondaggio.

A. Modello Forward

MujicΛ utilizza un modello forward differenziabile ($M_\theta$) che mappa le condizioni iniziali sui conteggi osservati di galassie:

1. Condizioni Iniziali: Rappresentate come variabili gaussiane complesse $\tilde{\delta}_{ic} \sim \mathcal{CN}(0, 1)$.
2. Formazione della Struttura: Utilizza JaxPM, un solver N-body differenziabile particle-mesh, per evolvere il campo da $z=9$ al giorno presente ($z=0$) utilizzando passaggi 2LPT e FastPM.
3. Effetti Osservativi: Incorpora effetti del cono di luce, Distorsioni dello Spazio Rosso (RSD) e un modello di bias delle galassie (bias a legge di potenza con un taglio morbido).
4. Risposta del Sondaggio: Modella esplicitamente l'incompletezza del sondaggio tramite una funzione di risposta $R$, che agisce come una maschera sulla densità di galassie prevista.
5. Verosimiglianza: Assume una distribuzione di Poisson per i conteggi di galassie nelle celle della mesh, ottimizzando la log-verosimiglianza $\mathcal{L}$.

B. Strategia di Ottimizzazione Aumentata

A differenza degli approcci standard di Massima A Posteriori (MAP), MujicΛ ottimizza la verosimiglianza soggetta a vincoli che impongono il prior gaussiano. Impiega due meccanismi chiave:

1. L-BFGS Proiettato (PGD):

   • Utilizza l'algoritmo Limited-memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) per un'ottimizzazione su larga scala efficiente.
   • Operatore di Proiezione: Dopo ogni passo di gradiente, la soluzione viene proiettata nuovamente sull'insieme ammissibile delle condizioni iniziali gaussiane. Ciò comporta:
     • Normalizzazione Z-score: Imposizione di media zero e deviazione standard unitaria.
     • Taglio/Reset: Reset dei valori estremi (outlier) che superano una soglia ($s_{th}=10$) a disegni gaussiani casuali, prevenendo divergenze non fisiche.

2. Corrispondenza per Ordine di Rango:

   • Applicata periodicamente durante l'ottimizzazione sia nello spazio reale che nello spazio di Fourier (all'interno di specifici bin $k$).
   • Meccanismo: L'algoritmo ordina i valori del campo corrente e li sostituisce con valori estratti dalla distribuzione gaussiana target, preservando l'ordine di rango originale.
   • Scopo: Questo agisce come una "proiezione generalizzata" che impone rigorosamente la funzione di densità di probabilità (PDF) completa del prior, correggendo le deviazioni che l'operatore di proiezione potrebbe non cogliere. Aiuta inoltre l'ottimizzatore a sfuggire ai minimi locali.

C. Strategia di Addestramento

Per accelerare la convergenza, gli autori utilizzano una strategia di ricottura (annealing):

• Inizialmente, viene eseguita una ricostruzione a bassa risoluzione ($4 \text{ cMpc}/h$).
• Il campo risultante funge da ipotesi iniziale per l'esecuzione a piena risoluzione ($1.95 \text{ cMpc}/h$).
• La corrispondenza per ordine di rango viene applicata ogni 5 iterazioni (bassa risoluzione) e ogni 20 iterazioni (alta risoluzione).

3. Contributi Chiave

• Framework di Ottimizzazione Innovativo: MujicΛ è uno dei pochi codici basati sull'ottimizzazione che mantiene esplicitamente la gaussianità delle condizioni iniziali mentre modella effetti realistici del sondaggio (incompletezza, funzioni di selezione) fino a scale di megaparsec.
• Robustezza all'Incompletezza: Combinando operatori di proiezione con corrispondenza per ordine di rango, il metodo previene la divergenza dell'ottimizzatore nelle regioni con scarsa copertura dei dati (fuori dalla maschera del sondaggio).
• Pipeline Differenziabile: L'integrazione di JaxPM consente una differenziabilità end-to-end, abilitando un'ottimizzazione efficiente basata su gradienti con modelli forward complessi.
• Recupero della Ragnatela Cosmica: Il framework recupera con successo la topologia della ragnatela cosmica (vuoti, fogli, filamenti, nodi) nonostante la natura sottodeterminata del problema.

4. Risultati

Il metodo è stato validato utilizzando un catalogo di cono di luce simulato derivato dalla simulazione Millennium (modello semi-analitico H15) con una geometria del sondaggio che imita un sondaggio spettroscopico a grande campo ($0.07 < z < 0.22$, taglio angolare di $20^\circ$).

• Preservazione della Gaussianità: Gli istogrammi delle condizioni iniziali ricostruite sia nello spazio reale che nello spazio di Fourier si allineano perfettamente con una distribuzione gaussiana, a differenza dell'L-BFGS standard che produce outlier non gaussiani.
• Ricostruzione del Campo di Densità:
  • Visivo: Il campo di densità ricostruito recupera accuratamente protocluster massicci e strutture filamentose all'interno della finestra del sondaggio.
  • Quantitativo:
    • Il coefficiente di correlazione ($r_c$) tra verità e ricostruzione è 0.54 a una smoothing di $2 \text{ cMpc}/h$ e 0.78 a $8 \text{ cMpc}/h$.
    • All'interno della finestra del sondaggio, $r_c$ rimane alto ($>0.8$) fino a $k \approx 0.1 \text{ h/cMpc}$.
    • Fuori dalla finestra del sondaggio, il campo rimane non correlato con la verità (come atteso), dimostrando che il metodo non allucina strutture in regioni non osservate.
• Spettri di Potenza: Lo spettro di potenza della materia ricostruito ($P_{mm}$) corrisponde alla verità entro 0.3 dex fino a $k = 1 \text{ h/cMpc}$.
• Classificazione della Ragnatela Cosmica:
  • Recupero Vuoti/Fogli: Circa il $60\%$ dei vuoti e dei fogli è correttamente classificato.
  • Recupero Filamenti/Nodi: Minore accuratezza; i filamenti sono spesso classificati erroneamente come fogli a causa del recupero imperfetto dei picchi di alta densità.
  • Recupero Autovettori: Gli autovettori del tensore di deformazione (cruciali per studi di allineamento intrinseco) mostrano tassi di recupero elevati, con più del $70\%$ dei voxel aventi $|\cos \theta| > 0.6$ per il più grande autovalore.

5. Significato e Applicazioni Future

• Sondaggi di Prossima Generazione: MujicΛ è specificamente adattato per i futuri sondaggi su larga scala come Subaru PFS, DESI, Euclid e Roman, che presentano geometrie complesse e copertura del cielo incompleta.
• Simulazioni Vincolate: Le IC ricostruite possono servire come ipotesi iniziali di alta qualità per campionatori bayesiani (ad es. MaiGO), accelerando significativamente la convergenza per l'inferenza a livello di campo.
• Studi sull'Evoluzione delle Galassie: Fornendo un campo di densità 3D e una classificazione della ragnatela cosmica, MujicΛ abilita studi ambientali sull'evoluzione delle galassie e sul mezzo intergalattico (IGM).
• Scalabilità: Il framework è modulare e può incorporare modelli forward più sofisticati (ad es. bias lagrangiano, gradienti di reti neurali) e dati multi-tracciatore (ad es. foresta Lyman-$\alpha$, FRB) nelle iterazioni future.

In sintesi, MujicΛ colma il divario tra la velocità dei metodi basati sull'ottimizzazione e la fedeltà fisica richiesta per l'analisi cosmologica realistica, offrendo uno strumento robusto per decodificare la ragnatela cosmica da dati osservativi incompleti.