Beyond power spectrum to unveil systematics on HI intensity maps

Sintesi Tecnica: Oltre lo Spettro di Potenza per Svelare le Sistematiche nelle Mappe di Intensità dell'Idrogeno Neutro

Enunciato del Problema
La mappatura dell'intensità dell'idrogeno neutro (Hi) è una tecnica primaria per sondare la struttura su larga scala, in particolare a redshift intermedi ($z < 1$) dove l'evoluzione gravitazionale non lineare rende la distribuzione della materia fortemente non gaussiana. Tradizionalmente, le informazioni cosmologiche da questi sondaggi vengono estratte utilizzando lo spettro di potenza angolare ($C_\ell$), una statistica a due punti che cattura efficacemente le caratteristiche gaussiane ma scarta le correlazioni di ordine superiore. A redshift quali $z \approx 0.425$ (l'obiettivo delle osservazioni nella banda L di MeerKLASS), il segnale Hi è dominato da strutture non lineari (filamenti, ammassi, vuoti) che $C_\ell$ non può caratterizzare appieno. Inoltre, le sistematiche osservative — inclusi lo smoothing del fascio del telescopio, la copertura parziale del cielo (mascheramento), il rumore strumentale e i residui di foreground (sincrotrone galattico, sorgenti puntiformi extragalattiche) — possono introdurre bias nelle analisi standard. Il lavoro affronta la necessità di statistiche riassuntive in grado di catturare informazioni non gaussiane e di rimanere robuste rispetto a queste sistematiche per migliorare l'inferenza dei parametri cosmologici.

Metodologia
Gli autori impiegano un framework di inferenza basata su simulazioni (SBI) utilizzando la libreria JaxILI per eseguire un'inferenza bayesiana senza verosimiglianza.

• Simulazioni: Hanno generato 10.000 mappe complete di temperatura di brillanza Hi a $z = 0.425$ utilizzando i framework GLASS e CAMB. Queste mappe modellano campi di materia lognormali ponderati dal bias Hi dipendente dal redshift e dalla temperatura media di brillanza.
• Effetti Osservativi: Le simulazioni incorporano condizioni osservative realistiche:
  • Fascio: Convoluzione con fasci gaussiani (1,34° per configurazioni simili a MeerKLASS a singola antenna e 0,5° per future configurazioni interferometriche).
  • Mascheramento: Applicazione di maschere binarie che rappresentano frazioni di cielo ($f_{sky}$) di 0,60, 0,19 e 0,014.
  • Rumore: Aggiunta di rumore termico gaussiano non correlato basato sulla temperatura di sistema e sul tempo di integrazione.
  • Sistematiche: Modelli giocattolo controllati per pattern a strisce moltiplicativi e additivi (artefatti di scansione), residui di sincrotrone galattico, residui di sorgenti puntiformi extragalattiche e pattern di scansione a forma di X.
• Statistiche Riassuntive: Sono state estratte e confrontate due statistiche:
  1. Spettro di Potenza Angolare ($C_\ell$): Calcolato dai coefficienti armonici sferici, escludendo i bassi multipoli ($\ell < 10$) per mitigare le sistematiche.
  2. Norma $\ell_1$ di Starlet: Una statistica multi-scala e di ordine superiore basata sulla trasformata wavelet isotropa non decimata (starlet). La mappa viene decomposta in coefficienti wavelet su più scale ($J=5$ e $J=8$), normalizzata e binnata nello spazio segnale-rumore. La norma $\ell_1$ di questi coefficienti quantifica la sparsità e l'intensità delle caratteristiche non gaussiane.
• Inferenza: Un estimatore di densità neurale condizionale (flusso autoregressivo mascherato) è stato addestrato sulle coppie di simulazioni (parametri $\theta = \{\Omega_c, h, A_s\}$, statistiche riassuntive $x$) per approssimare la posterior $p(\theta|x)$.

Contributi Chiave

1. Estensione della Norma $\ell_1$ di Starlet: Il lavoro adatta la norma $\ell_1$ di starlet, precedentemente riuscita nel lensing debole, alla mappatura dell'intensità Hi, dimostrandone l'efficacia nel catturare informazioni non gaussiane nel campo di temperatura di brillanza a 21 cm.
2. Analisi della Robustezza alle Sistematiche: Lo studio fornisce una valutazione completa di come sia $C_\ell$ che la norma $\ell_1$ di starlet si comportino sotto vari effetti sistematici (fascio, mascheramento, rumore, strisce e residui di foreground).
3. Capacità Diagnostica: Gli autori dimostrano che la norma $\ell_1$ di starlet può distinguere tra diversi tipi di residui di foreground (sincrotrone galattico vs. sorgenti puntiformi extragalattiche) e rilevare la presenza di contaminazione residua, agendo come strumento diagnostico.
4. Efficienza: Il lavoro evidenzia i vantaggi computazionali e ambientali dell'SBI con statistiche riassuntive compatte (la norma $\ell_1$ di starlet utilizza significativamente meno punti dati rispetto al vettore completo $C_\ell$) rispetto ai metodi MCMC tradizionali.

Risultati

• Vincoli Cosmologici: La norma $\ell_1$ di starlet supera costantemente lo spettro di potenza angolare nel vincolare i parametri cosmologici ($\Omega_c$, $h$, $A_s$).
  • In uno scenario senza rumore e a cielo completo, la norma $\ell_1$ di starlet migliora il Figure of Merit (FoM) di un fattore 1,59 rispetto a $C_\ell$.
  • In scenari realistici con un fascio di 0,5° e rumore strumentale, aumentare il numero di scale starlet da 5 a 8 produce un miglioramento del FoM di 2,81 volte rispetto a $C_\ell$.
• Robustezza alle Sistematiche:
  • Fascio e Mascheramento: Mentre lo smoothing del fascio degrada significativamente $C_\ell$ sopprimendo la potenza su piccola scala, la norma $\ell_1$ di starlet rimane robusta, mantenendo la sensibilità al contrasto strutturale attraverso le scale. Mantiene anche le prestazioni sotto un forte mascheramento ($f_{sky}=0,014$) dove $C_\ell$ soffre di accoppiamento dei modi.
  • Strisce e Scansione: La norma $\ell_1$ di starlet è largamente insensibile ai pattern a strisce moltiplicativi e additivi e agli artefatti di scansione a forma di X, mentre $C_\ell$ mostra forti bias e un restringimento artificiale delle posteriori.
  • Residui di Foreground: La norma $\ell_1$ di starlet mostra una maggiore sensibilità alla contaminazione residua rispetto a $C_\ell$. Sebbene ciò introduca un lieve bias a livelli di contaminazione elevati, permette alla statistica di differenziare tra residui di sincrotrone e di sorgenti puntiformi, un compito che $C_\ell$ non riesce a svolgere.
• Degenerazioni dei Parametri: L'approccio basato su starlet solleva le degenerazioni tra i parametri (in particolare $h$, che è debolmente vincolato da $C_\ell$) sfruttando le informazioni non gaussiane.

Significato
Il lavoro conclude che statistiche multi-scala e di ordine superiore come la norma $\ell_1$ di starlet sono complementi essenziali alle analisi tradizionali a due punti per la mappatura dell'intensità Hi. Catturando le caratteristiche non gaussiane perse dallo spettro di potenza, la norma $\ell_1$ di starlet migliora significativamente l'inferenza cosmologica, in particolare nel regime non lineare ($z < 1$). La sua dimostrata robustezza rispetto a complesse sistematiche osservative e la sua capacità di fungere da diagnostica per i residui di foreground la rendono uno strumento promettente per sondaggi attuali come MeerKLASS e futuri sondaggi su grande volume come l'Osservatorio SKA (SKAO). Il lavoro sostiene l'adozione dell'inferenza basata su simulazioni con tali statistiche per massimizzare il ritorno scientifico dei prossimi dati di mappatura dell'intensità Hi.