Forecast Cosmological Constraints with the 1D Wavelet Scattering Transform and the Lyman-$α$ forest

問題提起
ライマン$\alpha$フォレストは、小規模構造の重要なプローブであり、ダークマター、ニュートリノ質量、インフレーション物理学、および宇宙間物質（IGM）の熱履歴に関する知見を提供する。しかし、この非線形領域から宇宙論的情報を抽出することは困難である。SDSSやDESIのような大規模サーベイにおいて、1次元フラックスパワースペクトルに依存する現在の解析は、系統誤差の影響が支配的になりつつある。さらに、ビスペクトラムのような従来の高次統計量は、高度に非ガウス的な分布において分散が増大し、外れ値に対する堅牢性が低下するという課題がある。深層学習の手法に伴う学習の必要性や解釈性の問題を回避しつつ、非ガウス的な密度場から非ガウス情報を抽出できる新しい要約統計量の必要性が実証されている。

手法
著者らは、ライマン$\alpha$フォレスト宇宙論のための要約統計量として、1次元ウェーブレットスキャッタリング変換（WST）の使用を提案している。WSTは、決定論的で数学的に堅牢な信号処理技術であり、入力されたフラックス場を異なるスケールの複素数値ウェーブレットで畳み込み、その後に絶対値演算とローパスフィルタリングを行うものである。このプロセスにより、スケールごとに情報を分離し、小さな変形やノイズに対して安定した高次統計量（本研究では2次まで）を抽出する。

WSTの制約能力を予測するために、著者らは以下を用いた：

• シミュレーション： $40 \text{ Mpc}/h$ のボックス内に $2 \times 256^3$ 個の粒子を含む、MP-Gadgetを用いた10個の流体動力学シミュレーションのスイート。これらから、$z=2, 3, 4$ における32,000本のライマン$\alpha$吸収スペクトルを生成した。
• パラメータ： 解析は、4つの宇宙論的および熱的パラメータ、すなわち原始パワースペクトルのスペクトル指数（$n_P$）と振幅（$A_P$）、およびIGM熱的パラメータ（$H_A$ および $H_S$）に焦点を当てた。
• ノイズモデリング： 各スペクトルにガウスノイズを加えることで、現実的な観測ノイズをシミュレートした。その際、連続体対ノイズ比（CNR）はSDSS DR16Qのデータに適合させた対数正規分布から抽出した。
• 統計的枠組み： パラメータの制約を推定するためにフィッシャー情報行列を構築した。共分散行列は、2,000回のランダムノイズ実現を用いて推定した。著者らは、WST係数から導出されたフィッシャー情報量を、標準的な1次元フラックスパワースペクトルと比較した。

主要な貢献と結果
本研究は、WSTがフラックスパワースペクトルには存在しない重要な宇宙論的情報を捉えていることを示している。

• 情報量： 2次のウェーブレット係数は、非ガウス的情報を探るものであり、1次の係数のみと比較してフィッシャー行列に対して約50%の追加情報をもたらす。
• パラメータ制約： WSTは、パワースペクトルよりも大幅にタイトな宇宙論的パラメータ制約を提供する。具体的には、パラメータ $n_P, A_P, H_S, H_A$ に対する推定事後分布の不確かさ（$\sigma_X$）は、結合されたWST係数を使用することで30倍から60倍改善される。
• 次元削減： 著者らは、WSTがパワースペクトルと比較して、4次元パラメータ空間の体積を$10^6$分の1に縮小することを推定している。
• 感度： WST係数は、パワースペクトルよりも平均フラックス（$\tau_{\text{eff}}$）に対する感度が低く（フラックスが10%変化した場合、パワースペクトルの約7%の変化に対し、WSTは約2.5%の変化）、$\tau_{\text{eff}}$ と原始振幅 $A_P$ との間の縮退を軽減できる可能性を示唆している。
• 赤方偏移依存性： 情報量はほとんどのパラメータにおいて $z=3$ でピークに達するが、熱的パラメータ $H_A$ は $z=2$ で最も強く制約される。

意義と主張
本論文は、1次元ウェーブレットスキャッタリング変換が、ライマン$\alpha$フォレストから宇宙論的情報を抽出するための斬新かつ強力なアプローチであり、従来のフラックスパワースペクトルよりも桁違いに高い制約能力を持つことを主張している。著者らは、これらの改善がダークエネルギー分光装置（DESI）からの今後のデータで実現されれば、WSTが以下の実現を可能にすると述べている：

• 一般的なインフレーションモデルが予測する $\alpha_s = -6 \times 10^{-4}$ をテストするのに十分な、インフレーションのランニング（$\alpha_s$）の制約。
• 最小ニュートリノ質量の$5\sigma$検出を達成するのに十分な、ニュートリノ質量の制約の向上。

著者らは、現在の予測における限界について、フィッシャー行列の手法がパラメータ間の縮退を無視していることや、小さなシミュレーションボックスサイズがスペクトル指数 $n_P$ に対して悲観的な予測を導いている可能性があることを挙げ、控えめな姿勢を維持している。彼らは、これらの手法を実際のDESIデータに適用する前に、完全な尤度解析と連続体フィッティングなどの系統誤差に対する堅牢な取り扱いが必要であることを認めている。しかし、本研究はWSTがパワースペクトルよりも有意に多くの情報を保持していることを確立しており、パラメータ制約を数桁向上させる可能性を切り拓いている。