(The) Wiggles going non-linear

Sintesi Tecnica: Le Oscillazioni (Wiggles) del Wiggles diventano Non Lineari

Enunciato del Problema
Le attuali osservazioni cosmologiche sono coerenti con una semplice inflazione slow-roll, che predice uno spettro di potenza primordiale (PPS) quasi invariante di scala. Tuttavia, molti scenari inflazionari ben motivati predicono "oscillazioni" (wiggles): strutture localizzate, oscillazioni o dipendenti dalla scala nel PPS. Sebbene le osservazioni del Fondo Cosmico a Microonde (CMB) pongano dei vincoli su queste caratteristiche, esse sono limitate dalla varianza cosmica sulle grandi scale e dalla diffusione dei fotoni sulle piccole scale. I sondaggi della struttura su grande scala (LSS) (ad es. DESI, Euclid, LSST) offrono una sonda complementare grazie all'accesso a un vasto numero di modi di Fourier.

La sfida principale nell'utilizzare i dati LSS per rilevare le oscillazioni primordiali è l'evoluzione non lineare della struttura. Sulle piccole scale ($k \gtrsim 0.1 \, h/\text{Mpc}$), l'evoluzione gravitazionale accoppia i modi di Fourier, smorzando le strutture oscillanti inizialmente coerenti e attenuando le caratteristiche nello spettro di potenza della materia a tempi tardivi. La teoria lineare standard fallisce in questo regime. Sebbene le simulazioni N-body forniscano previsioni accurate, esse sono computazionalmente proibitive per gli estesi scansioni di parametri richiesti dall'inferenza cosmologica. Al contrario, gli esistenti modelli semi-analitici spesso assumono un PPS a legge di potenza liscio e non tengono conto dello specifico smorzamento delle oscillazioni.

Metodologia
Gli autori impiegano una strategia multi-step per modellare e validare lo smorzamento non lineare delle oscillazioni primordiali:

1. Framework Teorico:

   • Definiscono il PPS utilizzando template oscillatori fenomenologici: oscillazioni lineari ($\cos[\omega k/k_* + \phi]$) e oscillazioni logaritmiche ($\cos[\omega \ln(k/k_*) + \phi]$).
   • Per mitigare il rumore delle simulazioni e i sistemi di errore numerici, utilizzano lo spettro di potenza della materia relativo, $\delta(k) = [P_m(k, \text{feature}) - P_m(k, \text{ref})] / P_m(k, \text{ref})$. In teoria lineare, questa quantità isola direttamente la caratteristica oscillante.
   • Adottano un modello di smorzamento semi-analitico (seguendo Ballardini et al.) in cui lo spettro relativo non lineare è modellato come l'oscillazione lineare moltiplicata per un inviluppo di smorzamento gaussiano:
     $$\delta_{fit}(k) = A \cos[\omega f(k) + \phi] \exp\left[-\frac{k^2 \Sigma^2(\omega, z)}{2}\right]$$
     Qui, $\Sigma(\omega, z)$ è una funzione di smorzamento efficace dipendente dalla frequenza e dal redshift.

2. Simulazioni N-Body:

   • Sono state eseguite simulazioni ad alta risoluzione, solo materia oscura, utilizzando $1024^3$ particelle in una scatola di $1024 \, h^{-1}\text{Mpc}$.
   • Strategia di coppia accoppiata (Matched-pair strategy): Per ogni configurazione della caratteristica, sono state generate una simulazione "con caratteristica" e una "di riferimento" (senza caratteristiche) utilizzando lo stesso seme casuale per cancellare la varianza del campione.
   • Le simulazioni coprono i numeri d'onda $0.05 \le k \le 0.6 \, h/\text{Mpc}$ e i redshift $z \in \{0, 1, 2, 3, 4, 5\}$.
   • Un'ampiezza di modulazione $A=0.03$ è stata fissata, in linea con i vincoli attuali del CMB.

3. Calibrazione e Validazione:

   • La funzione di smorzamento $\Sigma(\omega, z)$ è stata calibrata adattando il template semi-analitico agli spettri di potenza relativi simulati.
   • Diagnostica: Gli autori hanno valutato la validità del modello utilizzando diagnostiche residue (residuo assoluto massimo e RMS globale rispetto a un target di accuratezza $\epsilon_0 = 5 \times 10^{-3}$, ovvero un livello sub-percentuale).
   • Quantificazione dell'Incertezza: La varianza della simulazione è stata stimata utilizzando quattro coppie aggiuntive di modelli accoppiati con semi indipendenti, regolarizzate tramite fitting polinomiale per evitare artefatti di ponderazione indotti dal rumore nella verosimiglianza (likelihood).

4. Emulazione:

   • Poiché le analisi di verosimiglianza richiedono la valutazione continua di $\Sigma(\omega, z)$, gli autori hanno utilizzato la Regressione dei Processi Gaussiani (GPR) per interpolare la griglia di calibrazione discreta.
   • L'emulatore GPR incorpora l'incertezza statistica dei fit di calibrazione come rumore di addestramento, fornendo una previsione continua e consapevole dell'incertezza della funzione di smorzamento.

5. Test di Recupero dell'Informazione:

   • È stata eseguita un'analisi di tipo Fisher utilizzando una configurazione spettroscopica simile a Euclid per confrontare tre scenari:
     • Intero intervallo non smorzato (Undamped Full Range): Caso idealizzato senza smorzamento.
     • Intero intervallo smorzato (Damped Full Range): Utilizza il modello di smorzamento calibrato tramite GPR sull'intero intervallo di $k$.
     • Solo Lineare (Linear Only): Restringe l'analisi alle scale in cui lo smorzamento è trascurabile (taglio conservativo).

Risultati Chiave

• Dominio di Validità: Il modello di smorzamento gaussiano a un parametro è validato per:
  • Oscillazioni logaritmiche: $0.8 \le \log_{10}\omega \le 2.0$.
  • Oscillazioni lineari: $0.4 \le \log_{10}\omega \le 1.2$.
  • Per le oscillazioni logaritmiche con $\log_{10}\omega < 0.8$, i residui superano la soglia di accuratezza ai tempi tardivi, indicando che il modello a singolo parametro è insufficiente.
• Consistenza della Calibrazione: I valori di $\Sigma$ calibrati concordano con il lavoro precedente (Ballardini et al.) a un livello di pochi percentuali dove le frequenze si sovrappongono.
• Prestazioni dell'Emulatore: L'emulatore GPR interpola con successo la funzione di smorzamento attraverso il dominio validato di frequenza-redshift, con incertezze predittive comparabili all'incertezza statistica dei dati di addestramento.
• Recupero dell'Informazione: In il confronto tipo Euclid per le oscillazioni logaritmiche:
  • Modellare lo smorzamento non lineare recupera una frazione sostanziale dell'informazione persa dai tagli conservativi basati sulla sola teoria lineare.
  • Ampiezza ($A$): L'incertezza è ridotta di circa il $\sim 40\%$ rispetto al caso puramente lineare.
  • Frequenza ($\log_{10}\omega$): L'incertezza è ridotta di circa il $\sim 65\%$ (un miglioramento di quasi un fattore tre).
  • Fase ($\phi$): L'incertezza è migliorata di circa il $\sim 10\%$.
  • I vincoli dell'intero intervallo smorzato rimangono entro un fattore di ordine unitario rispetto al caso idealizzato non smorzato.

Significatività e Rivendicazioni
Il lavoro sostiene di aver stabilito una via pratica, calibrata tramite simulazioni, per incorporare le oscillazioni primordiali nelle analisi di verosimiglianza LSS non lineari. Dimostrando che un modello di smorzamento semplice e fisicamente motivato può predire lo spettro di potenza della materia con un'accuratezza sub-percentuale (per frequenze sufficientemente alte), gli autori sostengono che è fattibile cercare oscillazioni inflazionarie nei prossimi dati LSS senza scartare le scale non lineari dove risiede la maggior parte dell'informazione.

Lo studio sottolinea l'importanza di identificare il dominio di validità di tali modelli. Gli autori avvertono che, sebbene l'approccio funzioni bene per modulazioni ad alta frequenza, le caratteristiche logaritmiche a bassa frequenza richiedono prescrizioni più flessibili. Lo studio conclude che, con l'emulatore di smorzamento calibrato, i prossimi sondaggi possono migliorare significativamente i vincoli sulle caratteristiche primordiali rispetto alle analisi ristrette al regime lineare.