Alleviating prior dependencies for DESI DR1 clustering fits through reparameterization

Sintesi Tecnica: Alleviare le Dipendenze dai Prior attraverso la Riperparametrizzazione per i Fit di Clustering di DESI DR1

Enunciato del Problema
Questo lavoro affronta un problema sistematico specifico nelle analisi bayesiane del clustering a forma completa (full-shape) dei dati di DESI (Dark Energy Spectroscopic Instrument) Data Release 1 (DR1). Quando si analizzano i multipoli dello spettro di potenza utilizzando l'Effective Field Theory of Large Scale Structure (EFTofLSS), i parametri di disturbo (nuisance parameters) debolmente vincolati (relativi al bias galattico, ai controtermini e al rumore di shot) esibiscono forti degenerazioni con i parametri cosmologici. Nelle analisi standard che utilizzano prior ampi, uniformi o gaussiani, queste degenerazioni portano a "effetti di proiezione del volume del prior" (prior-volume projection effects). Di conseguenza, le distribuzioni posteriori marginalizzate per i parametri cosmologici chiave — specificamente la costante di Hubble ($H_0$) e i parametri dell'equazione di stato dell'energia oscura ($w_0, w_a$) — sono sistematicamente spostate lontano dalla stima Maximum a Posteriori (MAP). Questo fenomeno risulta in discrepanze di diversi $\sigma$ tra i valori attesi riportati e il vero massimo della verosimiglianza (likelihood), particolarmente in dataset con debole ancoraggio esterno (ad esempio, DESI combinato solo con la nucleosintesi del Big Bang e un debole vincolo sull'indice spettrale).

Metodologia
Gli autori rianalizzano i multipoli dello spettro di potenza di DESI DR1 utilizzando due strategie complementari progettate per mitigare questi effetti di proiezione senza fare affidamento su assunzioni di modellazione astrofisica esterna (come i modelli di Halo Occupation Distribution):

1. Riperparametrizzazione Ortogonale Non Lineare:

   • Gli autori implementano una tecnica per decorrelare i parametri di disturbo ($N$) dai parametri cosmologici ($C$).
   • Invece dei Modelli Additivi Generalizzati (GAM) utilizzati nel lavoro precedente, utilizzano una rete neurale completamente connessa per apprendere la speranza condizionata $f(C) \approx E[N|C]$ da un campione iniziale della distribuzione posteriore.
   • I parametri di disturbo vengono trasformati in una base ortogonale $N' = N - f(C)$, rendendoli approssimativamente non correlati con la cosmologia.
   • L'analisi viene quindi rifittata in questo spazio trasformato, con i prior riscalati per mantenere la varianza fisica nella base originale.

2. Prior di Jeffreys Invariante per la Riperparametrizzazione:

   • Gli autori implementano un prior di Jeffreys completamente invariante per la riparametrizzazione su tutti i coefficienti EFTofLSS. Questo prior è costruito dalla radice quadrata del determinante della matrice di informazione di Fisher ($p_J(\theta) \propto \sqrt{\det I(\theta)}$).
   • Per superare i colli di bottiglia computazionali associati alle matrici di Fisher ad alta dimensionalità, derivano espressioni analitiche in forma chiusa per il Jacobiano dei multipoli dello spettro di potenza rispetto ai parametri EFT.
   • Tali Jacobian vengono valutati "on-the-fly" durante il campionamento Markov Chain Monte Carlo (MCMC) utilizzando l'emulatore Effort.jl e il framework Turing.jl, permettendo aggiornamenti efficienti del fattore di Jeffreys ad ogni passo.
   • Gli autori testano due configurazioni: un prior di Jeffreys "puro" e un approccio "ibrido" (Jeffreys + Baseline Gaussian), dove il prior di Jeffifies è combinato con le larghezze Gaussiane baseline originali per controllare le code eccessivamente ampie nei parametri fisici come la densità della materia oscura fredda ($\omega_c$).

Contributi Chiave

• Implementazione Algoritmica: Il lavoro estende l'applicazione dei prior di Jeffreys nelle analisi EFTofLSS dai sottoinsiemi lineari di parametri all'intero set di parametri di disturbo non lineari, utilizzando Jacobian analitici per mantenere l'efficienza computazionale.
• Ortogonalizzazione tramite Reti Neurali: Il lavoro aggiorna la metodologia di ortogonalizzazione sostituendo i GAM con reti neurali, migliorando la gestione delle degenerazioni multivariate e altamente non lineari e garantendo la stabilità numerica in spazi ad alta dimensionalità.
• Validazione Cross-Framework: Lo studio fornisce un confronto rigoroso tra tre distinti framework di inferenza:
  1. L'approccio bayesiano proposto con correzione del volume basata su Jeffreys (specificamente l'ibrido Jeffreys+Baseline).
  2. Un approccio calibrato su simulazioni tramite prior HOD-informed (HIP).
  3. Un'analisi del profilo di verosimiglianza (profile likelihood) frequentista.

Risultati

• Mitigazione della Proiezione: Nella configurazione debolmente ancorata "DESI + BBN + $n_s$", il prior baseline (BLP) standard mostra significativi effetti di proiezione, spostando $H_0, w_0$ e $w_a$ di diverse deviazioni standard dal MAP. Il metodo di ortogonalizzazione mitiga parzialmente questi spostamenti, ma il prior di Jeffreys (particolarmente la variante ibrida) recentra con successo i posteriors, racchiudendo il MAP entro le regioni di credibilità al 68% per questi parametri.
• Vincoli dei Parametri: Il metodo ibrido Jeffreys+Baseline è identificato come il metodo fiduciale. Esso controlla le code eccessivamente ampie in $\omega_c$ osservate con il puro prior di Jeffreys, preservando al contempo i benefici della correzione del volume per i parametri di espansione.
• Consistenza tra i Framework: Quando vengono aggiunti vincoli esterni (CMB e Supernovae di Tipo Ia), le differenze tra il metodo baseline, quello ortogonalizzato, quello di Jeffreys e quello HOD-informed diminuiscono. Tuttavia, anche nel regime debolmente vincolato, l'approccio ibrido di Jeffreys e l'approccio HOD-informed forniscono valori centrali e direzioni di degenerazione coerenti, nonostante le loro fondamenta statistiche differenti (correzione del volume geometrico vs. modellazione astrofisica).
• Accordo Frequentista-Bayesiano: Gli intervalli di credibilità derivati utilizzando l'approccio ibrido di Jeffreys mostrano un eccellente accordo con gli intervalli di confidenza del profilo di verosimiglianza frequentista in termini di valori centrali e direzioni di degenerazione, suggerendo che l'informazione della verosimiglianza sottostante viene estratta in modo coerente una volta controllati gli effetti di proiezione.

Significatività e Rivendicazioni
Il lavoro sostiene che, controllando correttamente gli effetti di proiezione del volume del prior attraverso misure invarianti per la riparametrizzazione (specificamente il prior di Jeffreys), sia possibile trarre inferenze robuste sull'espansione cosmologica tardiva indipendentemente dal framework statistico specifico (Bayesiano vs. Frequentista) o dall'adozione di specifiche assunzioni astrofisiche (modelli HOD).

Gli autori sottolineano che la loro metodologia dimostra che le discrepanze precedentemente osservate tra diversi pipeline di analisi erano guidate principalmente da artefatti di proiezione piuttosto che da inconsistenze fondamentali nei dati o nei modelli. La convergenza dei risultati tra l'analisi bayesiana basata su Jeffreys, l'analisi bayesiana calibrata su HOD e l'analisi del profilo di verosimiglianza frequentista valida l'affidabilità dei vincoli del clustering full-shape di DESI DR1 su $H_0, w_0$ e $w_a$. Questo lavoro stabilisce una base metodologica per future analisi della grande struttura su larga scala (ad esempio, con DESI ed Euclid) dove l'aumento della potenza statistica richiederà un controllo rigoroso di tali effetti sistematici.