Disentangling modified gravity and galaxy bias with field-level inference

Sintesi Tecnica: Disgiungere la Gravità Modificata e il Bias Galattico tramite l'Inferenza a Livello di Campo

Enunciato del Problema
Le analisi cosmologiche tradizionali della Grande Struttura su Larga Scala (LSS) si basano su statistiche riassuntive, principalmente lo spettro di potenza ($P(k)$), che comprime la distribuzione della materia tridimensionale in correlazioni a due punti. Sebbene efficace per condizioni iniziali gaussiane, questo approccio scarta le informazioni non gaussiane e le correlazioni di fase di Fourier generate dall'evoluzione gravitazionale non lineare. Questa perdita di informazione crea una degenerazione critica tra i parametri della Gravità Modificata (MG) e il bias galattico. Nello specifico, l'aumento del clustering indotto dagli effetti MG (ad esempio, una quinta forza nelle teorie $f(R)$) può essere simulato da variazioni nei parametri di bias galattico. Di conseguenza, le statistiche a due punti faticano a distinguere tra deviazioni dalla Relatività Generale (GR) e variazioni nel modo in cui le galassie tracciano la distribuzione sottostante della materia oscura.

Metodologia
Gli autori sviluppano un framework di Inferenza a Livello di Campo (FLI) per affrontare questi limiti, eseguendo un'analisi di verosimiglianza bayesiana direttamente sul campo tridimensionale dei conteggi numerici galattici ($n_g$), anziché comprimere i dati.

• Framework Teorico: Lo studio utilizza il modello di gravità $f(R)$ di Hu-Sawicki, caratterizzato dal parametro $f_{R0}$, che introduce un meccanismo di schermatura chameleon. Questo è accoppiato a un modello di bias galattico locale nella densità e non lineare (Neyrinck et al. 2014) dotato di parametri $\beta$ (bias primario), $\rho$ ed $\epsilon$.
• Pipeline di Simulazione: La formazione delle strutture non lineari è modellata utilizzando il metodo COmoving Lagrangian Acceleration (COLA), esteso per la gravità modificata (FML-COLA). La pipeline genera campi di sovradensità di materia oscura ($\delta_{DM}$) che vengono mappati in cataloghi galattici fittizi ($n_g$) tramite la prescrizione di bias non lineare.
• Framework di Inferenza: Gli autori confrontano due distinti approoli di verosimiglianza:
  1. Analisi dello Spettro di Potenza: Una tradizionale verosimiglianza gaussiana applicata allo spettro di potenza galattico $P_g(k)$ corretto per il rumore di shot.
  2. Analisi a Livello di Campo: Una verosimiglianza di Poisson voxel-per-voxel (e una verosimiglianza di Poisson troncata per dati con soglia) applicata direttamente al campo tridimensionale dei conteggi numerici galattici. Ciò preserva sia le ampiezze di Fourier che le fasi.
• Stima dei Parametri: Viene generata una griglia di previsioni teoriche attraverso lo spazio dei parametri. Un interpolatore su griglia lineare viene utilizzato per creare una superficie di verosimiglianza continua per il campionamento Markov Chain Monte Carlo (MCMC).
• Controlli di Robustezza: La pipeline è testata contro variazioni nelle realizzazioni del rumore di Poisson, nelle condizioni iniziali (varianza cosmica) e nella soglia dei dati (esclusione di voxel a basso conteggio).

Contributi Chiave e Risultati
Lo studio applica questo framework a dati simulati che rappresentano due scenari: un modello fiduciale GR ($f_{R0}=0$) e un modello $f(R)$ con $|f_{R0}| = 10^{-6}$ (F6).

1. Rottura delle Degenerazioni: L'approccio a livello di campo riesce a rompere la forte degenerazione tra $|f_{R0}|$ e $\beta$ intrinseca nelle analisi dello spettro di potenza.

   • Nel caso GR, l'analisi dello spettro di potenza produce un limite superiore al 95% di $\log_{10}|f_{R0}| < -5.698$, mentre l'analisi a livello di campo stringe questo valore a $\log_{10}|f_{R0}| < -6.760$.
   • Nel caso F6, l'analisi dello spettro di potenza produce una distribuzione posteriore ampia e degenerata ($\log_{10}|f_{R0}| = -6.223^{+1.032}_{-0.411}$), mentre l'analisi a livello di campo recupera il valore reale con alta precisione ($\log_{10}|f_{R0}| = -5.958^{+0.100}_{-0.107}$).
   • Anche le restrizioni sul parametro di bias $\beta$ sono significativamente più strette nell'analisi a livello di campo ($\pm 0.003$) rispetto allo spettro di potenza ($\pm 0.004$ a $\pm 0.007$).

2. Ruolo delle Fasi di Fourier: Isolando le fasi di Fourier (mantenendo le ampiezze fisse al modello fiduciale), gli autori dimostrano che la sola informazione di fase fornisce vincoli su $|f_{R0}|$ superiori alle analisi basate solo sull'ampiezza (spettro di potenza), sebbene la combinazione di entrambe fornisca i vincoli più stretti. Ciò conferma che la configurazione morfologica della rete cosmica, codificata nelle fasi, trasporta firme distinte della gravità che il bias non può replicare.

3. Sensibilità all'Ambiente Cosmico: Attraverso la classificazione della rete cosmica (vuoti, pareti, filamenti, cluster), gli autori identificano che le regioni a bassa densità sono i principali motori per distinguere i modelli di gravità.

   • I voxel con una singola galassia ($n_{obs,g}=1$) sono altamente sensibili a un aumento del bias o della forza della gravità.
   • Crucialmente, questi voxel informativi $n_{obs,g}=1$ si trovano prevalentemente all'interno di vuoti e pareti del campo di materia oscura sottostante.
   • La verosimiglianza a livello di campo sfrutta la specifica disposizione spaziale di questi ambienti, che le statistiche a due punti non riescono a catturare.

4. Robustezza: I risultati rimangono coerenti attraverso 100 diverse realizzazioni del rumore di Poisson e cinque diverse realizzazioni delle condizioni iniziali. Il metodo dimostra inoltre resilienza alla soglia dei dati; anche escludendo i voxel con $n_{obs,g} < 5$, l'approccio a livello di campo mantiene un significativo potere di vincolo, sebbene il guadagno di informazione dalle regioni a bassa densità venga parzialmente perso.

Significato e Rivendicazioni
L'articolo sostiene che l'inferenza a livello di campo offre una potente strada da seguire per i sondaggi di prossima generazione (ad esempio, DESI, Euclid, LSST) sfruttando il contenuto informativo completo della distribuzione galattica. Gli autori affermano che il loro approccio:

• Disgiunge MG e Bias: Risolve in modo unico la degenerazione MG-bias utilizzando informazioni morfologiche non gaussiane e fasi di Fourier, che sono inaccessibili alle tradizionali statistiche a due punti.
• Identifica le Fonti di Informazione: Fornisce una comprensione fisica di dove (specificamente nei vuoti e nelle pareti) risieda l'informazione che distingue i modelli di gravità.
• Valida il Forward Modeling: Dimostra che il forward-modeling del campo 3D completo permette la stima simultanea e robusta dei parametri gravitazionali e di bias.

Gli autori notano dei limiti, specificamente il fatto che la loro attuale implementazione fissa le fasi iniziali del campo di materia oscura. Riconoscono che l'applicazione di questo metodo a dati reali richiederà la marginalizzazione su queste fasi iniziali (come avviene in framework come BORG) e l'incorporazione di modelli di bias più complessi e sistematiche osservative. Tuttavia, lo studio stabilisce la viabilità teorica e pratica dell'uso di verosimiglianze a livello di campo per testare la gravità nel regime non lineare.