VERSUS: An excursion-set-inspired void-finder for the Stage-IV era

Sintesi Tecnica: VERSUS – Un Rilevatore di Vuoti Ispirato all'Insieme di Escursione per l'Era delle Indagini di Fase IV

Enunciato del Problema
I vuoti cosmici fungono da sonde uniche per informazioni non gaussiane, energia oscura, neutrini e gravità modificata. Tuttavia, una sfida significativa nella cosmologia dei vuoti è la discrepanza tra le previsioni teoriche e le misurazioni osservative. I modelli teorici, in particolare il formalismo dell'insieme di escursione (ad esempio, il modello Vdn), prevedono l'abbondanza e la distribuzione dimensionale di sotto-densità sferiche e non sovrapposte basandosi sul campo di densità lineare. Al contrario, i rilevatori di vuoti topologici standard (come VIDE e REVOLVER) identificano i vuoti basandosi su algoritmi di bacino idrografico e tassellazioni di Voronoi. Questi metodi producono spesso vuoti non sferici e richiedono un'estensivo post-processing (pulizia e ridimensionamento) per approssimare le assunzioni sferiche dei modelli teorici. Inoltre, gli approcci di modellazione basati su simulazioni esistenti sono computazionalmente costosi e scalano male con i grandi conteggi di galassie previsti dalle indagini di Fase IV (ad esempio, DESI, Euclid). È necessario un algoritmo di rilevamento dei vuoti che sia veloce, gestisca geometrie complesse delle indagini e produca un catalogo che corrisponda direttamente alle previsioni dell'insieme di escursione senza richiedere un post-processing aggressivo.

Metodologia
Gli autori presentano VERSUS (Void Extraction of Real-space Spherical UnderdensitieS), un pacchetto Python modulare (con backend C/Cython) progettato per identificare vuoti che soddisfano i criteri dell'insieme di escursione.

• Approccio Algoritmico: VERSUS opera su una mesh 3D derivata da un catalogo di traccianti (galassie) e, opzionalmente, da un catalogo casuale per tenere conto delle funzioni di selezione dell'indagine. Impiega convoluzioni iterative utilizzando le Trasformate di Fourier Veloci (FFT) e un kernel a cappello piatto sferico (STH) per lisciare il campo di densità a specifici raggi di input ($R_i$).
• Identificazione dei Vuoti: L'algoritmo scansiona il campo di densità lisciato alla ricerca di celle in cui il contrasto di densità integrato ($\delta_{sm}$) scende al di sotto di una soglia specificata ($\Delta_v \approx -0.8$). Itera dal raggio di input più grande al più piccolo.
• Fusione e Non Sfericità: Una caratteristica fondamentale è la gestione delle sfere sovrapposte. Invece di imporre una sfericità rigorosa, VERSUS consente a vuoti più piccoli di fondersi con strutture sovrapposte più grandi basandosi su una frazione di sovrapposizione definita dall'utente ($f_{mg}$). Ciò permette all'algoritmo di recuperare il volume effettivo di vuoti non sferici formati dall'evoluzione non lineare, mantenendo al contempo la coerenza con il quadro dell'insieme di escursione.
• Geometria dell'Indagine: Per dati reali di indagini, VERSUS utilizza un catalogo "casuale" per mappare l'impronta dell'indagine e la funzione di selezione. Applica un'interpolazione a Nuvola a Forma Triangolare (TSC) per definire i confini dell'indagine e segnala le celle al di fuori della maschera, garantendo una stima accurata della densità e un calcolo del volume in geometrie complesse.
• Modellazione dell'Incertezza: Gli autori derivano un'espressione analitica per l'incertezza nella stima del raggio del vuoto dovuta al rumore di dispersione dei traccianti. Questa funzione di "sfocatura" permette la convoluzione delle previsioni teoriche con il rumore di misurazione atteso, facilitando un'inferenza cosmologica robusta.

Contributi Chiave

1. Corrispondenza Teorica Diretta: VERSUS è il primo rilevatore di vuoti applicato alle distribuzioni di galassie che ottiene un forte accordo con le previsioni dell'insieme di escursione per la Funzione di Dimensione dei Vuoti (VSF) nell'intervallo $25 < R [h^{-1}\text{Mpc}] < 61$ senza richiedere pulizia o ridimensionamento post-processing.
2. Efficienza Computazionale: Il codice è ottimizzato per la velocità, utilizzando la parallelizzazione OpenMP. Scala con il numero di celle della griglia ($N_{cells}$) piuttosto che con il numero di galassie ($N_{gal}$), rendendolo significativamente più veloce (circa $8\times$) rispetto a VIDE per grandi dataset simulati di Fase IV.
3. Gestione di Geometrie Complesse: L'algoritmo incorpora con successo maschere di indagini complesse e funzioni di selezione dipendenti dal redshift tramite cataloghi casuali, dimostrando la prontezza per dati osservativi reali.
4. Quadro Analitico delle Incertezze: Il documento fornisce un metodo per quantificare e modellare il bias introdotto dalle scelte di densità dei traccianti e di binning, offrendo una via per incorporare direttamente questi effetti nelle analisi di verosimiglianza.

Risultati
Gli autori hanno validato VERSUS contro due tipi di simulazioni:

• Popolazione Sintetica di Vuoti: Utilizzando una distribuzione uniforme di traccianti con vuoti sintetici incorporati, VERSUS ha recuperato con precisione i centri e i raggi reali dei vuoti. Al contrario, gli algoritmi topologici (VIDE e REVOLVER) richiedevano una pulizia aggressiva che rimuoveva una frazione significativa di vuoti genuini (pulizia eccessiva) e non riuscivano a recuperare i profili di densità corretti.
• Mock HOD AbacusSummit: Applicato a una simulazione $N$-body ad alta fedeltà popolata con galassie realistiche (simili alle LRG di DESI), VERSUS ha prodotto una VSF che corrispondeva alle previsioni teoriche utilizzando un parametro di bias del vuoto coerente ($b_v \approx 3.2$). Al contrario, il catalogo VIDE pulito richiedeva un parametro di bias inferiore e incoerente ($b_v \approx 2$) per corrispondere alla teoria, nonostante i suoi profili di densità suggerissero un bias più alto.
• Impronta dell'Indagine: Quando applicato a un mock con la geometria del CMASS South Galactic Cap di BOSS DR12, VERSUS ha recuperato con precisione la VSF utilizzando un catalogo casuale per tracciare la funzione di selezione, corrispondendo ai risultati della scatola cubica periodica.
• Prestazioni: Su una simulazione di $(2 h^{-1}\text{Gpc})^3$, VERSUS ha raggiunto tempi di esecuzione inferiori a 20 secondi (utilizzando 16 thread) con una risoluzione di griglia di $500^3$ celle, dimostrando l'idoneità per le esigenze computazionali dell'analisi delle indagini di Fase IV.

Significato
Il documento afferma che VERSUS stabilisce una nuova via per unificare gli approcci analitici e basati su simulazioni alla cosmologia dei vuoti cosmici. Generando cataloghi di vuoti descritti in modo coerente internamente dalla teoria dell'insieme di escursione, VERSUS elimina la necessità di correzioni ad hoc o aggiustamenti non fisici ai parametri di bias. La sua velocità computazionale consente l'uso di modellazione forward basata su simulazioni (ad esempio, addestramento di emulatori o inferenza bayesiana) su grandi dataset, cosa che in precedenza era computazionalmente proibitiva. Gli autori posizionano VERSUS come uno strumento robusto e facile da usare, pronto per l'applicazione a dati reali di indagini di Fase IV, promettendo vincoli più precisi sulla fisica fondamentale attraverso le statistiche dei vuoti.