Bayesian power spectrum estimation with modelling of systematic effects in delay-fringe rate space

1. Enunciato del Problema

La rilevazione del segnale 21 cm spostato verso il rosso proveniente dall'Epoca della Reionizzazione (EoR) è ostacolata da brillanti foregrounds (galattici ed extragalattici) e da effetti sistematici strumentali. Mentre i foregrounds sono spettralmente lisci e tipicamente confinati in una "cuspide dei foregrounds" (foreground wedge) nello spazio ritardo-rate di frangia, le imperfezioni strumentali—specificamente le riflessioni sui cavi e l'accoppiamento reciproco—trasferiscono potenza dei foregrounds nella "finestra EoR" (modi al di fuori della cuspide).

• Riflessioni sui Cavi: I disadattamenti di impedenza creano copie attenuate del segnale a modi di ritardo più elevati.
• Accoppiamento Reciproco: Le interazioni elettromagnetiche tra gli elementi dell'antenna creano copie del segnale a modi di ritardo bassi.
• Limitazioni Attuali: Le strategie tradizionali di mitigazione prevedono filtraggi (ad esempio, filtraggio della rate di frangia) o mascheramento dei modi interessati. Questi approcci spesso comportano perdita di segnale, introducono correlazioni spurie nelle statistiche del rumore e mancano di una rigorosa quantificazione dell'incertezza. Inoltre, i metodi esistenti trattano spesso le sistematiche come rumore additivo o richiedono simulazioni elettromagnetiche computazionalmente costose.

2. Metodologia

Gli autori propongono un approccio di modellazione diretta bayesiana utilizzando un Campionatore di Gibbs (specificamente un'estensione del codice hydra-pspec) per inferire congiuntamente il segnale EoR, i foregrounds e gli effetti sistematici.

A. Modello dei Dati

I dati di visibilità ($d$) sono modellati come un effetto sistematico moltiplicativo che agisce sul segnale del cielo ($s = e + f$, dove $e$ è il segnale EoR e $f$ è il foreground), più rumore ($n$):
$$d = Ys + n$$

• Sistematiche Moltiplicative ($Y$): Invece di modellare le sistematiche come un termine additivo (il che richiederebbe di modellare una copia completa del segnale complesso dei foregrounds), gli autori le modellano come un fattore di guadagno moltiplicativo.
• Parametrizzazione Ritardo-Rate di Frangia: La matrice di guadagno $Y$ è costruita nello spazio ritardo-rate di frangia. È definita come $y = 1 + H b_{sys}$, dove:
  • $H$ è un operatore di proiezione di Fourier che seleziona un insieme specifico e limitato di modi ritardo-rate di frangia noti per contenere sistematiche.
  • $b_{sys}$ è un vettore di ampiezze complesse per questi modi.
• Vantaggio: Questo approccio parametrico riduce drasticamente il numero di parametri liberi rispetto alla modellazione additiva, poiché richiede di modellare solo i coefficienti dei modi specifici in cui si verificano le riflessioni.

B. Il Campionatore di Gibbs

Gli autori utilizzano un campionatore di Gibbs Markov Chain Monte Carlo (MCMC) per estrarre campioni dalla distribuzione a posteriori congiunta $p(e, a_{fg}, b_{sys}, E | \text{dati})$. L'algoritmo itera attraverso tre distribuzioni condizionali:

1. Ricostruzione del Segnale (Realizzazioni Vincolate Gaussiane - GCR): Campiona il segnale EoR ($e$) e le ampiezze dei foregrounds ($a_{fg}$) data la stima corrente delle sistematiche ($b_{sys}$) e dello spettro di potenza ($E$). Ciò comporta la risoluzione di equazioni lineari (filtraggio di Wiener) con termini di rumore gaussiano aggiunti per generare realizzazioni anziché semplici stime di Massima A Posteriori (MAP).
2. Campionamento dello Spettro di Potenza: Campiona lo spettro di potenza in ritardo EoR ($E$) assumendo una distribuzione Gamma inversa (derivata da una distribuzione Wishart inversa sotto ipotesi di omogeneità).
3. Campionamento delle Sistematiche: Campiona i coefficienti delle sistematiche ($b_{sys}$) date le attuali stime del segnale e dei foregrounds, utilizzando anch'esso un approccio simile al filtro di Wiener con una prior gaussiana.

3. Contributi Chiave

• Modellazione delle Sistematiche Moltiplicative: Introduzione di un nuovo framework per modellare le riflessioni sui cavi e l'accoppiamento reciproco come guadagni moltiplicativi nello spazio ritardo-rate di frangia, riducendo significativamente la dimensionalità dello spazio dei parametri.
• Inferenza Bayesiana Congiunta: Integrazione diretta del modello delle sistematiche nel campionatore di Gibbs hydra-pspec, permettendo la marginalizzazione delle incertezze delle sistematiche invece del loro filtraggio.
• Quantificazione dell'Incertezza: Fornitura di un framework statistico rigoroso per propagare le incertezze dalla modellazione delle sistematiche nelle stime finali dello spettro di potenza EoR.
• Framework di Simulazione: Validazione del metodo su dati simulati simili a HERA (utilizzando pyuvsim) attraverso tre casi di test distinti che rappresentano diverse ubicazioni di contaminazione sistematica nello spazio ritardo-rate di frangia.

4. Risultati

Il metodo è stato testato su tre casi simulati con diverse ubicazioni delle sistematiche:

• Caso I: Sistematiche a modi di ritardo bassi ($\tau \approx 300-600$ ns) e rate di frangia $f \approx 0$ mHz (sovrapposte ai foregrounds).
• Caso II: Sistematiche a modi di ritardo alti ($\tau \approx 1000-1300$ ns) e $f \approx 0$ mHz (separate dai foregrounds).
• Caso III: Sistematiche a modi di ritardo bassi ma alta rate di frangia ($f \approx 6$ mHz).

Risultati Chiave:

• Recupero dello Spettro di Potenza EoR: Lo spettro di potenza in ritardo EoR (DPS) è stato recuperato accuratamente in tutti e tre i casi, in gran parte indipendente dalla posizione delle sistematiche. Il DPS recuperato corrispondeva al segnale vero entro i livelli di rumore, eccetto nelle vicinanze della regione dominata dai foregrounds.
• Recupero dei Componenti:
  • Il Caso II ha mostrato il miglior recupero dei parametri delle sistematiche e la più bassa correlazione tra foregrounds e sistematiche.
  • I Casi I e III hanno esibito correlazioni significative tra i parametri dei foregrounds e i parametri delle sistematiche. Ciò ha portato a tempi di correlazione più lunghi nella catena di Gibbs (bassa Dimensione Effettiva del Campione) e a un certo bias nei coefficienti delle sistematiche recuperati (spostati di diverse deviazioni standard).
• Efficienza di Campionamento: La presenza di strutture sovrapposte nello spazio dei ritardi (Caso I) o di modi di ritardo condivisi con diverse rate di frangia (Caso III) ha causato un'esplorazione inefficiente dello spazio dei parametri da parte del campionatore. Il Caso II, in cui le sistematiche erano ben separate nel ritardo, ha convergito molto più rapidamente.
• Residui: I residui tra le visibilità del cielo vere e quelle recuperate erano generalmente comparabili al livello di rumore, sebbene siano state osservate anti-correlazioni tra i residui EoR e quelli dei foregrounds su larga scala a causa della mancanza di modellazione temporale nei foregrounds.

5. Significato e Lavori Futuri

• Robustezza: Lo studio dimostra che la marginalizzazione bayesiana delle sistematiche è un'alternativa valida al filtraggio aggressivo, preservando più segnale EoR e fornendo barre di errore migliori.
• Limitazioni: Il metodo richiede attualmente una conoscenza a priori di quali modi ritardo-rate di frangia contengono le sistematiche. Nei dati osservativi reali, l'identificazione precisa di questi modi non è banale.
• Problemi di Correlazione: Il paper evidenzia che forti correlazioni tra foregrounds e sistematiche possono degradare l'efficienza del campionamento. I lavori futuri suggeriscono:
  • Imporre prior più forti se sono noti valori approssimativi delle sistematiche.
  • Modellare esplicitamente le correlazioni temporali (LST) dei foregrounds (attualmente trattati come campioni temporali indipendenti).
  • Implementare tecniche congiunte di ridimensionamento per rompere le degenerazioni nel campionatore di Gibbs.

In conclusione, questo lavoro fornisce uno strumento statistico potente per la prossima generazione di esperimenti di cosmologia 21 cm (come HERA Fase II e oltre) per gestire complesse sistematiche strumentali senza sacrificare il rapporto segnale-rumore attraverso il filtraggio.