Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis

Sintesi Tecnica: Impatto della Verosimiglianza Non-Gaussiana sui Vincoli Cosmologici dello Spettro di Potenza tSZ

Definizione del Problema
Lo spettro di potenza del Sunyaev–Zel'dovich termico (tSZ) è una sonda primaria per i parametri cosmologici (specificamente $\sigma_8$ e $\Omega_m$) e l'astrofisica degli ammassi. Tuttavia, le sue proprietà statistiche sono intrinsecamente non-gaussiane. Questa non-gaussianità deriva dal fatto che il segnale su grandi scale angolari è dominato da rari e massicci ammassi di galassie a basso redshift, portando a una distribuzione di campionamento con asimmetria positiva. Le analisi cosmologiche standard, come quelle della Collaborazione Planck, assumono tipicamente una verosimiglianza gaussiana per lo spettro di potenza. Sebbene questa approssimazione possa essere valida ad alti multipoli, dove i contributi sono distribuiti su molti ammassi, essa fallisce nel catturare l'asimmetria a bassi multipoli ($\ell < 1000$). La mancanza di un modello analitico accurato della verosimiglianza che catturi queste statistiche non-gaussiane motiva la necessità di metodi di inferenza alternativi per garantire vincoli cosmologici privi di bias.

Metodologia
Gli autori utilizzano l'Inferenza Basata su Simulazioni (SBI) per superare la necessità di una funzione di verosimiglianza analitica esplicita. Il flusso di lavoro prevede:

1. Modellazione Forward:
   • Simulatore Gaussiano: Un simulatore di base genera spettri di potenza utilizzando una distribuzione multivariate gaussiana con una matrice di covarianza fissa (inclusi i contributi del trispettro) per validare la pipeline SBI rispetto ai metodi standard.
   • Simulatore Basato su Aloni: Un modello forward più realistico genera mappe Compton-$y$ a cielo intero. Questo processo comporta il campionamento di Poisson di masse di aloni e redshift dalla funzione di massa degli aloni di Tinker et al. (2008), assegnando loro profili di pressione degenere di Navarro–Frenk–White (GNFW) (Arnaud et al. 2010), e la convoluzione con un fascio (beam). Residui di foreground (CIB, IR, RS) e rumore correlato vengono aggiunti come campi casuali gaussiani.
2. Stima della Densità Neurale:
   • Gli autori addestrano reti neurali profonde utilizzando il pacchetto sbi (PyTorch) per apprendere direttamente la distribuzione posteriore (Neural Posterior Estimation, NPE) o la funzione di verosimiglianza (Neural Likelihood Estimation, NLE).
   • Viene utilizzata un'architettura Masked Autoregressive Flow (MAF). Per mitigare la stocasticità dell'addestramento, viene impiegato un ensemble di 10 reti addestrate indipendentemente per formare una stima posteriore robusta.
3. Validazione:
   • Il framework SBI viene prima validato contro un'analisi con verosimiglianza gaussiana standard utilizzando dati reali di Planck.
   • Viene poi applicato a un dataset mock generato dal modello forward basato sugli aloni per valutare l'impatto della non-gaussianità.
   • Vengono eseguiti test di convergenza riguardo al numero di simulazioni e test di copertura per garantire che i posteriori inferiti siano statisticamente coerenti con i parametri reali.

Contributi Chiave

• Prima Applicazione di SBI al tSZ: Questo lavoro rappresenta la prima applicazione della SBI all'analisi dello spettro di potenza tSZ.
• Validazione dell'Approssimazione Gaussiana: Lo studio fornisce un test rigoroso della supposizione di verosimiglianza gaussiana standard per i survey simili a Planck.
• Modellazione della Verosimiglianza Non-Gaussiana: Dimostra la capacità della NLE di apprendere e riprodurre accuratamente la distribuzione di campionamento altamente asimmetrica e non-gaussiana dello spettro di potenza tSZ a bassi multipoli, che le approssimazioni gaussiane non riescono a catturare.
• Analisi di Robustezza: Attraverso estesi studi di ablazione, gli autori distinguono tra differenze fisiche genuine nella verosimiglianza e potenziali artefatti derivanti dall'addestramento della rete neurale o dalle dimensioni finite delle simulazioni.

Risultati

• Vincoli Cosmologici: Utilizzando solo i multipoli $\ell < 1000$, l'assunzione di verosimiglianza gaussiana produce vincoli cosmologici non distorti. L'inferenza basata su SBI (sia NPE che NLE) produce risultati per la combinazione di parametri cosmologici $F = \sigma_8(\Omega_m/B)^{0.40}h^{-0.21}$ che sono in eccellente accordo con i risultati della verosimiglianza gaussiana, nonostante la sottostante non-gaussianità.
• Vincoli sui Foreground: Mentre i vincoli cosmologici rimangono stabili, l'inferenza basata su SBI mostra un lieve allargamento delle distribuzioni posteriori per le ampiezze dei residui di foreground rispetto alla verosimiglianza gaussiana. Nello specifico, il vincolo basato su NLE sull'ampiezza della sorgente infrarossa ($A_{IR}$) è circa $0.5\sigma$ inferiore rispetto al risultato della verosimiglianza gaussiana.
• Apprendimento della Verosimiglianza: Il metodo NLE apprende con successo la struttura non-gaussiana della verosimiglianza, riproducendo l'asimmetria positiva osservata nelle simulazioni del modello forward, laddove l'approssimazione gaussiana fallisce ai bassi multipoli.
• Copertura: I test di copertura confermano che i posteriori inferiti tramite SBI sono ben calibrati, con bias inferiori a $0.06\sigma$ per tutti i parametri.

Significato e Rivendicazioni
L'articolo sostiene che per un'analisi tSZ di tipo Planck (cielo intero, livelli di rumore specifici), l'assunzione standard di verosimiglianza gaussiana è sufficientemente accurata per l'inferenza cosmologica, poiché produce vincoli non distorti sui parametri chiave. Tuttavia, gli autori sottolineano che la SBI serve come uno strumento di validazione cruciale. Essa permette ai ricercatori di modellare verosimiglianze non-gaussiane oltre le approssimazioni analitiche, rivelando sottili differenze nei vincoli sui foreground che potrebbero altrimenti essere trascurate.

Gli autori osservano che la loro conclusione riguardante la sufficienza della verosimiglianza gaussiana potrebbe non estendersi automaticamente ad altri survey come ACT o l'South Pole Telescope (SPT), che osservano frazioni di cielo più piccole e quindi sperimentano una varianza di campionamento più elevata e una non-gaussianità più forte ad alti multipoli. Inoltre, evidenziano come la SBI offra un framework flessibile per applicazioni future, come l'incorporazione di incertezze nei profili di pressione, la combinazione degli spettri di potenza tSZ con il conteggio degli ammassi e l'analisi di momenti di ordine superiore, che sono difficili da gestire con le tradizionali verosimiglianze analitiche. Il lavoro suggerisce che, sebbene l'approssimazione gaussiana sia robusta per gli attuali vincoli di tipo Planck, la SBI fornisce una via necessaria per gestire la complessa statistica dei futuri survey CMB ad alta risoluzione.