Combined tracer analysis for DESI 2024 BAO

「DESI 2024 BAO に対する結合トレーサー解析」の詳細な技術的サマリーを以下に示す。

1. 問題定義

ダークエネルギー分光器（DESI）は、宇宙の膨張史をマッピングするために、バリオン音響振動（BAO）を測定することを目的としている。赤方偏移範囲 $0.8 < z < 1.1$ において、DESI は**輝赤色銀河（LRG）と放出線銀河（ELG）**という 2 種類の明確なトレーサーを観測する。

• 課題: データリリース 1（DR1）の ELG サンプルは、ファイバ割り当ての完全性が低い（35.3%）こと、および LRG に比べて数密度が低いことに起因する課題を抱えている。その結果、ショットノイズが高くなり、尤度分布が非ガウス的となるため、ELG 単独での BAO 制約は弱く、頑健性に欠ける。
• 目的: BAO 解析に先立ち、これらの重なり合うトレーサーを統合カタログに結合するための最適な手法を決定することである。このアプローチは以下のことを目指す：
  1. 実効数密度を増加させ、ショットノイズを低減する。
  2. トレーサーを個別に解析する際に失われる相互相関情報（LRG $\times$ ELG）を統合する。
  3. 同一ボリューム内における異なるトレーサーからの結果を比較することで、トレーサー依存の系統的効果（例：相対速度効果）を検証する。
  4. 密度場再構成の効率を潜在的に向上させる。

2. 手法

著者らは、銀河バイアスを最適重み付け方式として用いて、統合された「結合トレーサー」カタログを作成するパイプラインを開発した。

A. 重み付けとカタログ構築

単にカタログを連結するのではなく、著者らは物質密度場に対する近似最尤推定量を導出した。

• バイアス重み付け: 各トレーサーは、その推定された線形銀河バイアス（$b$）によって重み付けされる。結合された過密度場 $\delta_{Combined}$ は以下のように構成される：
  $$\delta_{Combined} = \frac{b_L(n_L - \bar{n}_L) + b_E(n_E - \bar{n}_E)}{b_L\bar{n}_L + b_E\bar{n}_E}$$
  ここで、$L$ と $E$ はそれぞれ LRG と ELG を表す。
• 実効バイアス: 結合場の実効バイアスは、$b_{eff} = (b_L^2\bar{n}_L + b_E^2\bar{n}_E) / (b_L\bar{n}_L + b_E\bar{n}_E)$ として計算される。
• FKP 重みの更新: 標準的な Feldman-Kaiser-Peacock（FKP）重みは、結合サンプルの実効数密度（$\bar{n}_{eff}$）と実効バイアスを考慮するように更新された。
• 再正規化: ランダムカタログは再重み付けおよび再正規化され、マージされたカタログ内の両トレーサーに対してデータ対ランダム比が整合するように調整され、選択関数のバイアスを防止した。

B. 再構成と解析

• 密度場再構成: パイプラインは、非線形成長と赤方偏移空間歪みによって劣化した BAO 特徴を回復するために、反復的な密度場再構成（pyrecon を使用）を適用した。
  • 重要な決定: 結合カタログについては、変位場は完全な LRG 範囲（$0.4-1.1$）や ELG 範囲（$0.8-1.6$）ではなく、厳密に重なり合う赤方偏移範囲（$0.8 < z < 1.1$）内で推定された。これにより、バイアスと成長率の入力が特定のサンプルを代表するものとなることを保証した。
• 相関関数: 2 点相関関数は、モノポール（$\ell=0$）と四重極（$\ell=2$）に対して Landy-Szalay 推定量を用いて計算された。
• BAO フィッティング: BAO 尺度は、MCMC サンプリングと事後分布のプロファイリングを通じて、パラメータ $\alpha_{iso}$（等方的膨張）および $\alpha_{AP}$（Alcock-Paczynski 異方性）を用いて制約された。

C. 検証

パイプラインは、2 組のモックカタログでテストされた：

1. Abacus-2 DR1 モック: 現実的なファイバ割り当てとサーベイ幾何学を備えた高解像度 N 体シミュレーション（25 実装）。
2. EZmocks: ゼルドビッチ近似に基づく 1,000 実装。サンプル分散とボックス複製効果を低減し、精度向上の推定に使用された。

3. 主要な貢献

• 統合カタログパイプライン: バイアスに基づく重み付けを用いて、異なるトレーサー集団を単一のカタログに統合する堅牢な手法を開発し、最適化された信号対雑音比を持つ単一のトレーサーとして効果的に扱うことを可能にした。
• 系統的テストフレームワーク: 重なり合うトレーサーを整合性チェックに使用する手法を確立した。LRG、ELG、相互相関（LRG $\times$ ELG）、および結合カタログからの BAO 結果を比較することで、標準的な解析をバイアスさせる可能性のあるトレーサー依存の系統的効果（例：相対速度効果）を検出できる。
• 再構成戦略: 現在の DR1 ELG サンプルにおいては、結合の主な利点は、低 S/N データの頑健な統合にあり、LRG 単独に対する再構成効率の大幅な向上（ELG ノイズのため）ではないことを示した。

4. 結果

A. モックカタログ検証

• 不偏推定量: 結合トレーサー（LRG+ELG）および相互相関（LRG $\times$ ELG）は、モックカタログにおいて不偏の BAO 尺度推定量（1.7$\sigma$ 以内で 1 に一致）を返しており、手法の有効性を検証した。
• 精度向上:
  • 1,000 個の EZmocks を使用したところ、結合トレーサーは LRG 単独と比較して、$\alpha_{iso}$ において17%、$\alpha_{AP}$ において**11%**の精度向上を示した。
  • この向上は、実効体積（$V_{eff}$）が LRG の 5.0 Gpc$^3$ から LRG+ELG の 6.5 Gpc$^3$ に増加したことと一致する。
• 再構成効率: 結合カタログの再構成効率は、LRG 単独のそれと類似していた。ノイズの多い ELG 変位場は、LRG 主導の再構成を著しく劣化させることも、DR1 に対して再構成効率の大幅な追加的向上をもたらすこともなかった。

B. DESI DR1 データへの適用

• BAO 制約: 実 DR1 データにパイプラインを適用した結果、以下のようになった：
  • $\alpha_{iso}$: 再構成後、LRG 単独と比較して精度が 11% 向上。
  • $\alpha_{AP}$: 約 7.0% の向上。
• 最終測定: 結合された LRG+ELG 解析は、DESI DR1 において最も精密な BAO 測定を生み出した：
  • 制約: BAO 距離尺度（$D_V/r_d$）に対して 0.86%。
  • 有意性: 等方的 BAO 特徴の 9.1$\sigma$ 検出。
• 系統的チェック: 実データから導出された LRG、ELG、および結合カタログの BAO 尺度を比較した結果、有意なオフセットは見られなかった。差異は統計的不確実性内でゼロと一致しており、現在の精度レベルにおいてトレーサー依存の系統的効果（相対速度効果など）の証拠はないことを示している。

5. 意義

• DR1 の最適利用: この解析は、$0.8 < z < 1.1$ バインにおける DESI DR1 BAO 結果のベースラインとして、結合された LRG+ELG トレーサーを使用する決定を裏付け、初期データからの科学的リターンを最大化した。
• 将来の展望: 現在の向上は、再構成の改善ではなく、体積と相互相関情報によって駆動されているが、著者らは、より高い ELG 完全性を持つ将来のデータリリース（DR2 以降）が、再構成効率と BAO 精度においてさらに大きな向上をもたらすと予測している。
• 頑健性: この手法は、トレーサー固有の系統的効果に対する宇宙論的結果のクロスチェックを可能にする強力なツールを提供し、DESI のダークエネルギー制約の信頼性を保証する。

要約すると、本論文は、バイアス重み付けカタログを介して重なり合うトレーサーを結合することが、BAO 解析のための優れた戦略であることを成功裏に実証しており、よりtight な制約をもたらすと同時に、系統的誤差検出のための組み込みメカニズムを提供している。