Euclid: Measuring the intrinsic alignment of galaxies around cosmic voids in the \Euclid Flagship simulation\

Sintesi Tecnica: Euclid: Misurare l'allineamento intrinseco delle galassie attorno ai vuoti cosmici nella simulazione Euclid Flagship

Problema
Il lensing gravitazionale è una sonda primaria per vincolare i parametri cosmologici, ma è contaminato dall'allineamento intrinseco (IA) delle galassie, in cui i campi tidali locali allineano le forme delle galassie con il potenziale gravitazionale circostante. Sebbene l'IA attorno alle strutture sovradense (ammassi, filamenti) sia ben studiata, il segnale di IA negli ambienti sottodensi — specificamente i vuoti cosmici — rimane scarsamente caratterizzato. Questa mancanza di comprensione pone un rischio per le future analisi cosmologiche, in particolare quelle che utilizzeranno misurazioni di lensing dei vuoti da parte dei prossimi sondaggi Stage IV come Euclid. Se non modellata, l'IA nei vuoti potrebbe agire come un errore sistematico, imitando o oscurando il segnale di weak lensing. Inoltre, caratterizzare l'IA in queste regioni a bassa densità offre un'opportunità unica per studiare le interazioni galassia-ambiente e il bias lineare dei vuoti.

Metodologia
Gli autori utilizzano la simulazione Euclid Flagship (FS2-Wide), una simulazione N-body cosmologica popolata con un catalogo mock di galassie generato tramite la pipeline SciPIC. L'analisi procede attraverso i seguenti passaggi:

1. Identificazione dei Vuoti: Un algoritmo di ricerca dei vuoti 2D (Sánchez et al. 2017) viene applicato a mappe di densità galattica regolarizzate (utilizzando la pixelizzazione HEALPix) per identificare i vuoti cosmici. Lo studio si concentra su vuoti con raggi nell'intervallo $10 < R_V/(h^{-1}\text{Mpc}) < 15$, corrispondente al picco della distribuzione del raggio dei vuoti.
2. Selezione delle Galassie: Le galassie sono separate in popolazioni rosse e blu utilizzando la colonna color_kind della simulazione, che le classifica in base a un fit gaussiano sul diagramma colore-magnitudine $g-r$. Ciò consente un confronto tra i comportamenti di allineamento tra galassie ellittiche (rosse) e spirali (blu).
3. Misurazione del Segnale: La funzione di correlazione proiettata $w^I_{V+}(r_p)$ tra i centri dei vuoti e le ellitticità intrinseche delle galassie è misurata utilizzando uno stimatore di Davis–Peebles. Il segnale è integrato lungo la linea di vista ($\Pi$) entro $\pm 100 \, h^{-1}\text{Mpc}$ per mitigare le distorsioni nello spazio delle redshift.
4. Modellazione Teorica: L'analisi impiega un modello di Allineamento Lineare (LA), scomponendo il segnale in due regimi:
   • Regime di Scala Intermedia (ISR): All'interno del raggio del vuoto, dove lo spettro di potenza vuoto-materia viene inferito direttamente dal segnale di weak lensing misurato ($\Delta\Sigma$) dei vuoti. Ciò richiede la ricostruzione del profilo di densità della materia 3D dal segnale di lensing 2D utilizzando una trasformata di Abel.
   • Regime di Grande Scala (LSR): Al di fuori del vuota, dove i vuoti sono trattati come traccianti distorti (biased tracers) del campo di materia sottostante. Il segnale è modellato utilizzando il bias lineare del vuoto $b_V(z)$ e lo spettro di potenza lineare della materia.
5. Stima dei Parametri: Il modello adatta le funzioni di correlazione misurate per vincolare il parametro di ampiezza IA $A_I$ e il bias del vuoto $b_V(z)$. L'evoluzione con la redshift di $A_I$ è modellata come una legge di potenza, $A_I(z) = A_z [(1+z)/(1+z_p)]^{\eta_1}$. Le matrici di covarianza sono stimate tramite una tecnica di campionamento jackknife.

Risultati Chiave

• Rilevamento del Segnale IA: Lo studio rileva un segnale IA significativo attorno ai vuoti cosmici. All'interno dei vuoti (ISR), le galassie mostrano un allineamento tangenziale (segnale negativo), mentre nelle regioni circostanti (LSR), si osserva un più debole allineamento radiale (segnale positivo).
• Evoluzione con la Redshift: L'ampiezza del segnale IA ($A_I$) aumenta con la redshift sia per i campioni di galassie rosse che per quelli blu.
  • Per le galassie rosse, i parametri di miglior adattamento sono $A_z = 2.02 \pm 0.11$ e $\eta_1 = 1.86 \pm 0.18$.
  • Per le galassie blu, i parametri sono $A_z = 0.63 \pm 0.07$ e $\eta_1 = 3.74 \pm 0.32$.
  • L'evoluzione con la redshift dell'ampiezza dell'IA nei vuoti è trovata essere ampiamente coerente con le misurazioni dell'IA nella popolazione galattica generale (specificamente le correlazioni galassia-galassia) da uno studio complementare (Euclid Collaboration: Paviot et al. 2026).
• Bias del Vuoto: L'analisi stima il bias lineare dei vuoti, $b_V(z)$, per l'intervallo di raggio selezionato. I risultati mostrano una tendenza positiva in cui il bias aumenta con la redshift, coerentemente con le previsioni teoriche per l'aggregazione (clustering) delle regioni sottodense.
• Consistenza del Modello: Il modello a due componenti (ISR + LSR) descrive con successo i dati attraverso diversi intervalli di redshift, con valori di $\chi^2$ ridotto che indicano un buon adattamento.

Significatività e Rivendicazioni
Il documento rivendica di fornire una delle prime indagini dettagliate sugli allineamenti intrinseci specificamente all'interno degli ambienti dei vuoti cosmici. La sua principale significatività risiede in:

1. Mitigazione dei Sistemi: Evidenziare che l'IA nei vuoti costituisce un sistema non trascurabile per il futuro lensing dei vuoti. Una modellazione accurata è essenziale per prevenire bias nella stima dei parametri cosmologici.
2. Framework Metodologico: Dimostrare un approccio auto-coerente che utilizza il segnale di lensing del vuoto stesso per ricostruire il profilo di densità della materia, evitando così l'introduzione di ulteriori parametri liberi nella modellazione del segnale IA.
3. Approfondimento Cosmologico: Confermare che il modello di allineamento lineare è appropriato per gli ambienti dei vuoti, dove gli effetti di formazione delle strutture non lineari sono minimi. I risultati validano anche l'uso del bias del vuoto come sonda dell'evoluzione della struttura su larga scala, mostrando che i vuoti più piccoli (void-in-clouds) esibiscono un bias positivo che evolve con la redshift.

Gli autori concludono che questi risultati preparano il terreno per l'analisi dei dati osservativi di Euclid, sottolineando la necessità di tenere conto dell'IA negli studi sui vuoti per sfruttare appieno il potenziale dei vuoti come sonde cosmologiche.