A Bayesian estimator for peculiar velocity correction in cosmological inference from supernovae data

Deze studie presenteert een Bayesiaanse schatter die de correctie voor eigenbewegingen van supernova's en de kosmologische parameterbepaling simultaan uitvoert door een niet-lineair model met fouten in zowel de afhankelijke als onafhankelijke variabelen te gebruiken, waardoor de beperkingen van lineaire benaderingen en Gaussische aannames worden doorbroken.

De kern

De Kosmische "Glijbaan": Hoe een nieuwe methode de snelheid van het heelal nauwkeuriger meet

Stel je voor dat je probeert de snelheid van een auto te meten terwijl je zelf ook op een roterende carrousel zit. Dat is precies wat astronomen doen wanneer ze de uitdijing van het heelal bestuderen. Ze kijken naar Supernova's (exploderende sterren die fungeren als kosmische "lichtbakens") om te zien hoe snel het universum groeit. Maar er zit een addertje onder het gras: de sterrenstelsels waar deze supernova's in zitten, bewegen niet alleen mee met de uitdijing van het heelal, ze hebben ook hun eigen "eigen beweging" door de zwaartekracht van naburige sterrenstelsels.

In het Nederlands noemen we dit peculiare snelheid. Het is alsof de auto niet alleen vooruit rijdt, maar ook een beetje zijwaarts wordt geduwd door een windstoot.

Het Probleem: De Vervormde Spiegel

De onderzoekers van dit paper (Ujjwal Upadhyay en collega's) zeggen: "Helaas, tot nu toe hebben we deze 'windstoten' maar half goed opgelost."

1. De oude methode (E1): Je negeert de windstoot helemaal. Alsof je denkt dat de auto rechtuit rijdt, terwijl hij eigenlijk een bocht maakt. Dit geeft een verkeerde snelheid.
2. De standaard methode (E2): Je probeert de windstoot te corrigeren, maar je maakt twee aannames die niet altijd kloppen:
   • Je denkt dat de relatie tussen afstand en snelheid altijd een rechte lijn is (alsof de weg altijd vlak is).
   • Je denkt dat de windstoten altijd willekeurig en symmetrisch zijn (zoals een perfecte dobbelsteen).
   • Het probleem: Bij lage snelheden (dichtbij ons) is de weg niet vlak, en de windstoten kunnen soms heel sterk en onregelmatig zijn.

De Oplossing: Een Slimme Bayesian Schatting (E3)

De auteurs hebben een nieuwe, slimmere manier bedacht om dit op te lossen. Ze noemen het een Bayesiaanse schatter.

De Analogie van de Glijbaan:
Stel je voor dat je een kind op een glijbaan ziet. Je wilt weten hoe snel het kind naar beneden glijdt (de uitdijing van het heelal).

• De oude manier: Je kijkt naar de positie van het kind en zegt: "Het is hier, dus het moet deze snelheid hebben." Maar het kind schuift soms een beetje op de glijbaan (peculiare snelheid), waardoor je de snelheid verkeerd berekent.
• De nieuwe manier (E3): In plaats van alleen naar de positie te kijken, vraag je: "Als dit kind op deze specifieke plek zit, wat zou dan de meest waarschijnlijke snelheid zijn, rekening houdend met alle mogelijke schuifbewegingen?"

Deze nieuwe methode behandelt de afstand (de snelheid) en de positie (de snelheid van het stelsel) als twee dingen die beide onzeker zijn. Ze laten de computer (via een techniek genaamd MCMC) miljoenen mogelijke scenario's doornemen. De computer vraagt zich continu af: "Als dit stelsel net iets sneller of langzamer bewoog dan we dachten, past dat dan beter bij het grote plaatje van het heelal?"

Waarom is dit zo belangrijk?

1. Geen vooroordelen: De oude methode voor de "coherente" beweging (grote stromen van stelsels die samen bewegen) vereiste dat je al een theorie over het heelal had om de stroming te berekenen. Dat is als proberen de snelheid van de auto te meten terwijl je al weet hoe snel hij moet gaan. De nieuwe methode doet dit niet; ze corrigeert de beweging terwijl ze de snelheid meet.
2. Voor de toekomst: Met de huidige data (zoals de Pantheon-sample) maakt het niet heel veel uit of je deze nieuwe methode gebruikt of de oude. De fouten in de metingen zijn nog groot genoeg om de kleine "windstoten" te verbergen.
   • Maar! De toekomstige telescopen (zoals LSST en ZTF) worden extreem nauwkeurig. Dan worden de "windstoten" de grootste foutbron. Als we dan nog steeds de oude, simpele methoden gebruiken, zullen we de snelheid van het heelal verkeerd berekenen.
3. Donkere Energie: Als we de snelheid verkeerd meten, denken we misschien dat de "donkere energie" (de kracht die het heelal versnelt) verandert, terwijl dat misschien gewoon een meetfout is door de beweging van de sterrenstelsels.

Conclusie in één zin

Deze paper introduceert een nieuwe, flexibele wiskundige tool die de "wankeling" van sterrenstelsels in het heelal correct meeneemt in de berekening, zodat we in de toekomst de snelheid van de uitdijing van het universum niet verkeerd gaan interpreteren. Het is een upgrade van onze meetlat, zodat we de kosmische dans van het heelal niet verwarren met een wankelende danseres.

Technische samenvatting

Titel: Een Bayesiaanse schatter voor correctie van eigenbeweging in kosmologische inferentie uit supernova-gegevens

Auteurs: Ujjwal Upadhyay, Tarun Deep Saini en Shiv K. Sethi
Publicatie: MNRAS (2025)

---

1. Het Probleem

De bepaling van kosmologische parameters (zoals de Hubble-constante $H_0$ en de dichtheid van donkere materie $\Omega_M$) uit waarnemingen van Type Ia supernova's (SNIa) wordt beïnvloed door de eigenbeweging (peculiar velocity) van hun gastheergalaxieën. Deze beweging veroorzaakt een extra verschuiving in de waargenomen roodverschuiving ($z$) ten opzichte van de zuivere kosmologische roodverschuiving.

Er zijn twee componenten van eigenbeweging die problemen veroorzaken bij de analyse:

1. Coherente component: Grote schaal stromingen (bulk flows) die gebaseerd zijn op de verdeling van materie. Deze worden traditioneel gecorrigeerd via reconstructie van het snelheidsveld, wat echter een onderliggende kosmologie vereist, waardoor een cirkelredenering en potentiële bias in de uiteindelijke inferentie kunnen ontstaan.
2. Random component: Kleine schaal willekeurige bewegingen. Deze worden statistisch behandeld door de onzekerheid in de magnitude te verhogen via standaard foutenpropagatie. Deze methode maakt echter twee beperkende aannames:
   • Een lokaal lineaire benadering van de relatie tussen magnitude en roodverschuiving (wat niet geldt bij zeer lage roodverschuivingen).
   • Een Gaussische verdeling voor de eigenbewegingen (wat niet geldt in het niet-lineaire regime waar de staarten van de verdeling langer zijn).

Bovendien wordt bij standaard analyse vaak aangenomen dat de onafhankelijke variabele (roodverschuiving) foutloos is, terwijl deze in werkelijkheid fouten bevat ("errors-in-variables" probleem).

2. Methodologie

De auteurs ontwikkelen een generaliseerde Bayesiaanse schatter voor het aanpassen van niet-lineaire modellen waarbij zowel de afhankelijke variabele (magnitude) als de onafhankelijke variabele (roodverschuiving) meetfouten bevatten.

• Bayesiaanse Raamwerk: In plaats van de fouten in de roodverschuiving om te zetten naar magnitude-fouten (zoals bij lineaire benadering), behandelen ze de ware roodverschuiving ($z^*$) als een onbekende parameter voor elke supernova.
• Likelihood-functie: De posterior-verdeling wordt afgeleid door te marginaliseren over de ware roodverschuivingen. De likelihood houdt rekening met de waargenomen magnitude ($m_i$), de waargenomen roodverschuiving ($z_i$), en de onzekerheid in beide.
  • De ware roodverschuiving $z^*_i$ wordt beschouwd als een parameter getrokken uit een uniforme prior rond de gemeten waarde (binnen een bereik dat overeenkomt met de verwachte eigenbeweging).
• Regularisatie: Om overfitting te voorkomen (aangezien het aantal parameters nu groter is dan het aantal datapunten door de toevoeging van $N$ roodverschuivingen), wordt een regularisatieterm toegevoegd die de $\chi^2$ waarde beperkt tot de verwachte vrijheidsgraden.
• Implementatie: Het model wordt opgelost met behulp van Markov Chain Monte Carlo (MCMC) (Metropolis-Hastings algoritme). De roodverschuivingen worden veel vaker gesampled dan de kosmologische parameters om convergentie te versnellen.

3. Vergelijkende Schatters

De auteurs vergelijken drie benaderingen:

1. E1 (Baseline): Negeert fouten in roodverschuiving volledig (neemt aan dat $z$ perfect is gemeten).
2. E2 (Standaard): Gebruikt de lineaire benadering van de magnitude-roodverschuiving relatie en veronderstelt een Gaussische verdeling voor de eigenbeweging. Dit is de huidige standaardmethode.
3. E3 (Nieuw): De Bayesiaanse schatter die niet-lineaire effecten en willekeurige verdelingen van eigenbeweging exact behandelt, zonder aannames over lineariteit of Gaussiënniteit.

4. Resultaten

De methode is getest op synthetische data (met parameters vergelijkbaar met de Pantheon-steekproef en toekomstige surveys) en op de werkelijke Pantheon-gegevens.

• Synthetische Data:
  • Bij huidige precisie ($\sigma_m = 0.2$) zijn de verschillen tussen de schatters klein, maar E1 (zonder correctie) toont een duidelijke bias.
  • Bij toekomstige hoge precisie ($\sigma_m = 0.05$), zoals verwacht van LSST of ZTF, wordt de bias van E1 en de onnauwkeurigheid van E2 significant. E3 herstelt de ware kosmologische parameters binnen $1\sigma$, terwijl E2 nog steeds een lichte bias vertoont.
  • Coherent vs. Random: E2 faalt volledig bij het corrigeren van coherente stromingen (bulk flows), terwijl E3 dit succesvol doet door de roodverschuivingen als vrije parameters te behandelen.
• Pantheon Data:
  • Voor de huidige Pantheon-gegevens geven alle drie de schatters statistisch consistente resultaten, wat aangeeft dat de huidige magnitude-onzekerheid groot genoeg is om de effecten van eigenbeweging te "maskeren".
  • Er is echter een kleine verschuiving zichtbaar tussen E2 en E3, wat kan wijzen op een resterende coherente component of niet-Gaussische eigenschappen in de huidige data.

5. Belangrijkste Bijdragen

1. Generalisatie van "Errors-in-Variables": De auteurs bieden een algemene Bayesiaanse methode om niet-lineaire modellen te fitten met fouten in zowel de X- als Y-variabelen, een probleem dat in de astronomie vaak wordt genegeerd.
2. Zelfconsistent Correctie: De methode corrigeert zowel de random als de coherente component van eigenbeweging tijdens het fitten van het kosmologische model, zonder afhankelijk te zijn van externe snelheidsveld-reconstructies die een vooraf gedefinieerde kosmologie vereisen.
3. Oplossing voor Niet-Lineariteit: Door de lineaire benadering en de Gaussische aanname los te laten, biedt de methode een robuustere aanpak voor lage roodverschuivingen en niet-lineaire regimes.

6. Betekenis en Toekomstperspectief

Deze studie is cruciaal voor de precision cosmology van de toekomst. Hoewel de huidige data (Pantheon) nog niet gevoelig genoeg is om de beperkingen van de lineaire benadering (E2) volledig bloot te leggen, zullen toekomstige surveys (zoals LSST en ZTF) met veel kleinere magnitude-fouten zeer gevoelig worden voor systematische fouten door eigenbeweging.

• Bias in Donkere Energie: Een onjuiste behandeling van eigenbeweging kan leiden tot een bias in de schatting van de toestandsequatie van donkere energie ($w$), wat kan worden verward met een evolutie van donkere energie.
• Alternatief voor Reconstructie: De methode biedt een alternatief voor de traditionele snelheidsveld-reconstructie, waardoor de cirkelredenering (het aannemen van een kosmologie om de correctie te berekenen) wordt doorbroken.
• Brede Toepasbaarheid: Het ontwikkelde raamwerk is niet beperkt tot supernova's en kan worden toegepast op andere problemen in de kosmologie en astronomie waar meetfouten in onafhankelijke variabelen een rol spelen.

Kortom, de paper presenteert een noodzakelijke evolutionaire stap in statistische analyse voor de volgende generatie kosmologische surveys, waarbij de nauwkeurigheid van de metingen de nauwkeurigheid van de statistische modellen moet inhalen.