meer21cm: an Analysis Pipeline and Comprehensive Toolkit for HI Intensity Mapping

Sintesi Tecnica: meer21cm: Una Pipeline di Analisi e un Toolkit Completo per l'Intensity Mapping dell'HI

Problematica
L'intensity mapping dell'idrogeno neutro (HI) è emersa come una potente sonda dell'Universo post-riionizzazione, tuttavia affronta sfide analitiche uniche, distinte dal convenzionale clustering delle galassie. Il segnale HI è intrinsecamente debole e di ordini di grandezza più tenue rispetto ai foreground radio, il che richiede tecniche di separazione delle componenti aggressive (ad esempio, l'Analisi delle Componenti Principali - PCA) che involontariamente rimuovono il segnale cosmologico. Inoltre, gli esperimenti a singolo piatto presentano effetti osservativi altamente anisotropi, tra cui la cromaticità del fascio (beam), le distorsioni nello spazio delle red-shift e geometrie di survey non uniformi. Questi fattori complificano la stima dello spettro di potenza, richiedendo una modellazione coerente degli effetti osservativi, correzioni della funzione di trasferimento e simulazioni mock che aderiscano rigorosamente alle specifiche del survey. Le pipeline esistenti spesso mancano della modularità, del design orientato al survey e della rigorosa coerenza necessarie per scalare l'analisi ai grandi volumi previsti per l'Osservatorio Square Kilometre Array (SKAO) e per il suo precursore, il MeerKAT Large Area Synoptic Survey (MeerKLASS).

Metodologia
Gli autori presentano meer21cm, un pacchetto Python completo progettato come la pipeline di analisi centrale per le osservazioni MeerKLASS. La metodologia si basa su un'architettura modulare e orientata al survey che privilegia la definizione delle specifiche del survey (area di cielo, intervallo di frequenza, fascio del telescopio) rispetto alle simulazioni teoriche in scatola cubica.

I componenti metodologici chiave includono:

• Formalismo: La pipeline modella i campi della temperatura di brillantezza dell'HI e della densità numerica delle galassie in 3D k-space. Incorpora esplicitamente gli effetti osservativi quali la convoluzione con il fascio del telescopio, i kernel di creazione delle mappe, il gridding e gli operatori di rimozione dei foreground. Gli stimatori dello spettro di potenza per l'auto-potenza dell'HI, l'auto-potenza delle galassie e la cross-potenza HI-galassie sono derivati con specifiche renormalizzazioni dei pesi per tenere conto della centratura della media e della pulizia dei foreground.
• Simulazione Mock: La pipeline genera campi di densità HI log-normali e cataloghi di galassie campionati tramite distribuzione di Poisson all'interno di una griglia cartesiana comoving. Questi vengono proiettati su coordinate di cielo, convoluti con un fascio telescopico e contaminati da foreground (sincrotrone, free-free, polvere, AME, CMB) e rumore termico.
• Pulizia dei Foreground e Funzioni di Trasferimento: Viene implementato un metodo di pulizia dei foreground cieco basato sull'Analisi delle Componenti Principali (PCA). Per correggere la perdita di segnale indotta dalla PCA, la pipeline impiega il calcolo di una funzione di trasferimento numerica. Ciò comporta l'iniezione di segnali mock nei dati, l'applicazione della procedura di pulizia e il calcolo del rapporto tra gli spettri di potenza puliti e quelli non puliti.
• Inferenza dei Parametri: Il framework supporta l'inferenza bayesiana utilizzando matrici di covarianza basate su mock, incorporando i fattori di correzione di Hartlap e Percival per tenere conto del numero finito di realizzazioni mock.

Contributi Chiave

1. Design Modulare e Orientato al Survey: A differenza dei codici tradizionali che partono da scatole cubiche, meer21cm definisce i calcoli basandosi sulla geometria del survey. Utilizza l'ereditarietà delle classi Python per modularizzare i passaggi, dal caricamento dei dati all'inferenza dei parametri, garantendo che eventuali modifiche ai tagli dei dati o alle strategie di pulizia si propaghino automaticamente attraverso l'intera catena di analisi.
2. Toolkit Completo: Il pacchetto copre l'intero flusso di lavoro di analisi post-calibrazione, inclusi I/O dei dati, pulizia dei foreground, stima dello spettro di potenza, simulazione mock, correzione della funzione di trasferimento e inferenza dei parametri. Gestisce sia le mappe di intensità HI che i cataloghi di galassie sovrapposti per l'analisi multi-tracer.
3. Validazione Rigorosa: La pipeline è validata attraverso test end-to-end utilizzando 512 realizzazioni mock di un patch di survey UHF di MeerKLASS (750 deg², $0.6 < z < 0.8$). Il codice include unit test con una copertura di circa il 100%.

Risultati
I test di validazione dimostrano l'accuratezza della pipeline nel recupero degli spettri di potenza:

• Simulazione Log-normale: I campi log-normali simulati corrispondono ai modelli teorici di input con differenze frazionarie di $\sim \pm 1\%$ in tutte le scale di interesse.
• Effetti Osservativi: Quando vengono inclusi gli effetti osservativi (smoothing del fascio, gridding), gli spettri di potenza recuperati per l'auto-potenza delle galassie concordano con il modello entro $\sim 1\%$ per $k < 0.2 \, h\text{Mpc}^{-1}$. L'auto-potenza dell'HI e la cross-potenza mostrano deviazioni leggermente maggiori a causa delle complessità nella modellazione del fascio, ma rimangono entro un'accuratezza di $\pm 5\%$.
• Correzioni della Funzione di Trasferimento: Dopo l'applicazione della pulizia PCA e delle correzioni della funzione di trasferimento numerica, l'auto-potenza dell'HI recuperata concorda con il modello entro $0.5\sigma$ della varianza del segnale per $0.05 < k < 0.2 \, h\text{Mpc}^{-1}$. Il recupero della cross-potenza mostra un offset sistematico di $\sim 5\%$ ma rimane entro $1\sigma$, attribuito ai diversi schemi di pesatura tra auto-correlazioni e cross-correlazioni.
• Precisione: Per un survey composto da dieci patch indipendenti, la pipeline raggiunge un'accuratezza a livello percentuale nella stima dello spettro di potenza con deviazioni $\lesssim 0.5\sigma$ tra gli spettri mock e il modello nell'intervallo $k \in [0.02, 0.2] \, h\text{Mpc}^{-1}$.

Significatività
Il paper posiziona meer21cm come un'infrastruttura critica per l'attuale campagna MeerKLASS e come una base scalabile per i futuri survey di intensity mapping dell'SKAO. Garantendo che la modellazione teorica aderisca strettamente alle specifiche del survey e agli effetti osservativi, la pipeline affronta le complessità sistematiche inerenti l'analisi dei dati a 21 cm. Gli autori affermano che il pacchetto consente un'analisi robusta, coerente e automatizzata di dataset di grande volume, facilitando la transizione dalle validazioni su singola patch ai vincoli cosmologici dell'intero survey. Il codice è pubblicamente disponibile, ben documentato ed è progettato per essere estensibile per sviluppi futuri, come la stima analitica della covarianza, metodi avanzati di pulizia dei foreground e l'inferenza dei parametri cosmologici di forma completa (full-shape).