Alleviating prior dependencies for DESI DR1 clustering fits through reparameterization

技術要約：再パラメータ化によるDESI DR1 クラスター解析における事前分布依存性の緩和

問題提起
本研究は、ダークエネルギー分光装置（DESI）のデータリリース1（DR1）のフルシェイプ・クラスター解析におけるベイズ解析で発生する、特定の系統的な問題に対処するものである。有効大規模構造理論（EFTofLSS）を用いてパワースペクトルの多重極を解析する際、弱く制約された摂動パラメータ（銀河バイアス、カウンター項、ショットノイズに関連するもの）が宇宙論パラメータと強い縮退を示す。標準的な解析において、広範な一様事前分布やガウス事前分布を使用すると、これらの縮退によって「事前分布体積の投影効果（prior-volume projection effects）」が生じる。その結果、$H_0$（ハッブル定数）やダークエネルギーの状態方程式パラメータ（$w_0, w_a$）といった主要な宇宙論パラメータの周辺事後分布が、最大事後確率（MAP）推定値から系統的にずれてしまう。この現象は、外部からのアンカーリングが弱いデータセット（例：DESIをビッグバン元素合成および弱いスペクトル指数制約のみと組み合わせた場合）において、報告された期待値と真の尤度最大値との間に数$\sigma$の不一致をもたらす。

手法
著者らは、外部の天体物理学的モデリングの仮定（ハロ占有分布（HOD）モデルなど）に依存することなく、これらの投影効果を軽減するために設計された2つの補完的な戦略を用いて、DESI DR1 パワースペクトルの多重極を再解析している。

1. 非線形直交再パラメータ化:

   • 著者らは、摂動パラメータ（$N$）を宇宙論パラメータ（$C$）から非相関化する技術を実装している。
   • 以前の研究で使用されていた一般化加法モデル（GAM）の代わりに、初期の事後分布サンプルから条件付き期待値 $f(C) \approx E[N|C]$ を学習するために、全結合ニューラルネットワークを採用している。
   • 摂動パラメータは、直交基底 $N' = N - f(C)$ へと変換され、これにより宇宙論パラメータとの相関がほぼ解消される。
   • 解析は、元の基底における物理的な分散を維持するように事前分布を再スケーリングした上で、この変換された空間で再フィットされる。

2. 再パラメータ化不変なジェフリーズ事前分布:

   • 著者らは、すべてのEFTofLSS係数に対して、完全に再パラメータ化不変なジェフリーズ事前分布を実装している。この事前分布は、フィッシャー情報行列の行列式の平方根 $p_J(\theta) \propto \sqrt{\det I(\theta)}$ から構築される。
   • 高次元のフィッシャー行列に伴う計算上のボトルネックを克服するため、著者らはパワースペクトルの多重極に関するEFTパラメータのヤコビアンの閉形式の解析的表現を導出した。
   • これらのヤコビアンは、Effort.jl エミュレータと Turing.jl フレームワークを用いて、MCMCサンプリング中にオンザフライで評価され、各ステップでジェフリーズ因子の効率的な更新を可能にしている。
   • 著者らは、2つの構成をテストした：「純粋な」ジェフリーズ事前分布と、「ハイブリッド」アプローチ（ジェフリーズ ＋ ベースライン・ガウス分布）である。後者は、冷たい暗黒物質密度（$\omega_c$）のような物理パラメータにおける残留する過度に広い裾を制御するために、元のベースライン・ガウス幅と組み合わされている。

主な貢献

• アルゴリズムの実装: 本論文は、線形なパラメータの部分集合から、解析的なヤコビアンを利用して計算効率を維持しながら、全セットの非線形摂動パラメータへとジェフリーズ事前分布の適用範囲を拡張している。
• ニューラルネットワークによる直交化: 本研究は、GAMをニューラルネットワークに置き換えることで、多変量かつ高度に非線形な縮退の処理を改善し、高次元空間における数値的安定性を確保することで、直交化の手法を更新している。
• クロスフレームワーク検証: 著者らは、以下の3つの異なる推論フレームワークの厳密な比較を提供している：
  1. ジェフリーズによる体積補正を用いた提案手法のベイズ的アプローチ（特にハイブリッド・ジェフリーズ＋ベースライン）。
  2. HODに基づいた事前分布（HIP）を用いた、シミュレーション校正済みのアプローチ。
  3. 頻度論的なプロファイル尤度解析。

結果

• 投影の軽減: 弱くアンカーリングされた「DESI + BBN + $n_s$」の構成において、標準的なベースライン事前分布（BLP）は顕著な投影効果を示し、$H_0, w_0, w_a$ をMAPから数標準偏差分シフトさせる。直交化手法はこれらのシフトを部分的に軽減するが、ジェフリーズ事前分布（特にハイブリッド版）は事後分布を再中心化することに成功し、$H_0, w_0, w_a$ の68%信頼領域内にMAPを包含させている。
• パラメータ制約: ハイブリッド・ジェフリーズ＋ベースライン・アプローチが、標準的な手法として特定された。これは、純粋なジェフリーズ事前分布で見られる $\omega_c$ の過度に広い裾を制御しつつ、膨張パラメータに対する体積補正の利点を保持している。
• フレームワーク間の整合性: 外部制約（CMBおよびType Ia 超新星）が追加されると、ベースライン、直交化、ジェフリーズ、およびHOD情報に基づく手法間の差異は減少する。しかし、弱く制約された領域においても、ハイブリッド・ジェフリーズ・アプローチとHOD情報に基づくアプローチは、幾何学的な体積補正と天体物理学的モデリングという根本的に異なる仮定を用いているにもかかわらず、$w_0$–$w_a$ 平面において一貫した中心値と縮退方向を示す。
• 頻度論とベイズ論の一致: ハイブリッド・ジェフリーズ・アプローチから得られた信頼区間は、中心値および縮退の方向において、頻度論的なプロファイル尤度信頼区間と優れた一致を示しており、投影効果が制御されていれば、基礎となる尤度情報が整合的に抽出されていることを示唆している。

意義および主張
本論文は、再パラメータ化不変な尺度（具体的にはジェフリーズ事前分布）を通じて事前分布体積の投影効果を適切に制御することで、特定の統計的フレームワーク（ベイズ論 vs 頻度論）や特定の天体物理学的仮定（HODモデル）の採用に依存しない、頑健な後期宇宙膨張の推論が可能であることを主張している。

著者らは、以前の解析パイプライン間で観察された不一致は、根本的なデータやモデルの不整合ではなく、主に投影アーティファクトによって引き起こされたものであることを、彼らの手法が示していると強調している。ジェフリーズに基づくベイズ解析、HOD校正済みベイズ解析、および頻度論的プロファイル尤度解析の間で結果が収束することは、投影効果が制御された際に、DESI DR1 フルシェイプ・クラスターリングによる $H_0, w_0, w_a$ の制約が信頼できるものであることを検証している。本研究は、増加する統計的精度に対して厳密な系統的効果の制御が必要となる、将来の大規模構造解析（DESIやEuclidなど）のための方法論的基礎を確立するものである。