$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

Stel je het universum voor als een gigantische, onzichtbare oceaan van materie, die zich uitstrekt van de oerknal tot vandaag. Het grootste deel van deze oceaan bestaat uit "donkere materie", een mysterieuze substantie die we niet direct kunnen zien, maar waarvan we weten dat het bestaat omdat het zwaartekracht heeft. Wanneer het licht van verre sterrenstelsels door deze kosmische oceaan reist, werkt de zwaartekracht van de donkere materie als een kermisspiegel, die de vormen van die sterrenstelsels lichtjes uitrekt en vervormt. Dit fenomeen wordt "zwakke gravitationele lensing" genoemd. Door deze minieme vervormingen in de vormen van miljarden sterrenstelsels te meten, kunnen astronomen de onzichtbare donkere materie in kaart brengen en ontdekken welke regels bepalen hoe het universum groeit en uitdijt.

Lange tijd hebben wetenschappers naar deze kosmische spiegel gekeken met eenvoudige instrumenten, zoals het meten van de mate waarin de vormen van sterrenstelselparen gecorreleerd zijn. Dit is als het kijken naar de rimpelingen op een vijver om de windsnelheid te raden. Maar het universum is rommelig en complex, en deze eenvoudige metingen vertellen slechts een deel van het verhaal. Ze missen de "hogere-orde" geheimen—de complexe, niet-lineaire patronen die ontstaan wanneer drie of meer sterrenstelsels op een specifieke manier met elkaar interageren. Om deze geheimen te ontsluiten, moeten wetenschappers naar complexere vormen kijken, zoals driehoeken gevormd door drie sterrenstelsels, in plaats van alleen paren. Echter, deze complexe patronen zijn berucht moeilijk te voorspellen met standaard wiskunde, omdat het gedrag van het universum te wild en onvoorspelbaar wordt voor eenvoudige formules om ermee om te gaan.

Dit is waar het wetenschappelijke artikel om de hoek komt kijken. De auteurs, onder leiding van David Gebauer en Anik Halder, hebben een nieuwe digitale gereedschapskist gebouwd genaamd SBi3PCF om deze code te kraken. In plaats van te proberen het universum in een simpel wiskundig hokje te dwingen, besloten ze het universum de regels te laten leren door massieve, realistische computersimulaties uit te voeren. Denk aan het proberen te leren hoe je de perfecte taart bakt. In plaats van alleen een recept te lezen (de oude wiskundige manier), bakten ze duizenden taarten in een virtuele keuken, waarbij ze de ingrediënten telkens een klein beetje veranderden, en gebruikten ze vervolgens een super-slimme AI om precies te leren hoe de ingrediënten de uiteindelijke smaak beïnvloeden.

In hun studie simuleerden ze het kosmische shear-veld—het patroon van vervormde sterrenstelselvormen—met behulp van een krachtige reeks simulaties genaamd CosmoGridV1. Ze simuleerden niet alleen de donkere materie; ze voegden ook alle rommelige, echte "systematische effecten" toe die echte waarnemingen lastig maken, zoals fouten in het meten van de afstand van sterrenstelsels, de invloed van normale materie (baryonen) die samenklontert, en de willekeurige ruis van sterrenstelselvormen. Vervolgens gebruikten ze een techniek genaamd Simulation-Based Inference (SBI) met een neuraal netwerk (een type AI) om de relatie tussen de simulatieparameters en de resulterende data te leren.

Het team richtte zich op een specifieke, complexe statistiek genaamd de geïntegreerde 3-punts correlatiefunctie (i3PCF). Je kunt de standaard "2-punts" meting zien als het controleren hoe twee sterrenstelsels met elkaar verbonden zijn, terwijl de "3-punts" meting controleert hoe een trio van sterrenstelsels met elkaar verbonden is. De i3PCF is een slimme manier om deze trio-relaties te meten zonder eerst de volledige onzichtbare kaart van het universum te hoeven reconstrueren.

Dit is wat zij vonden:

• De Gaussische Mythe: Lange tijd namen wetenschappers aan dat de statistische "ruis" in hun gegevens een mooie, gladde klokcurve volgde (een Gaussische verdeling). De auteurs testten dit en ontdekten dat hoewel de eenvoudige "2-punts" data deze klokcurve mooi volgt, de gecombineerde data inclusief de complexe "3-punts" (i3PCF) metingen dat niet doet. De verdeling wordt scheef en vreemd, vooral op grotere schalen. Dit betekent dat de oude wiskundige methoden die vertrouwen op de klokcurve, onnauwkeurige resultaten zouden geven voor deze nieuwe data. Hun AI-aanpak geeft echter niet om de vorm van de curve; het leert de ware, rommelige verdeling direct van de simulaties.
• Verwaarloosbare Afleidingen: Ze controleerden of twee specifieke effecten—clustering van bronsterrenstelsels (waarbij achtergrondsterrenstelsels niet perfect willekeurig verdeeld zijn) en gereduceerde shear (een subtiele correctie op hoe vervorming wordt gemeten)—hun metingen zouden verpesten. Ze ontdekten dat deze effecten voor de schaal van huidige surveys (zoals de Dark Energy Survey Year 3) zo klein zijn dat ze veilig genegeerd kunnen worden. Het signaal van de donkere materie is veel sterker dan deze kleine imperfecties.
• Een Grote Boost in Precisie: Toen ze hun nieuwe AI-pipeline toepasten op mock-data (gesimuleerde observaties die lijken op echte observaties), maakte het toevoegen van de i3PCF aan de standaardmetingen een enorm verschil. Het verbeterde de precisie van hun kosmologische beperkingen met een mediaan van 63,8%. Specifiek hielp het om de waarden van de materiedichtheid ($\Omega_m$), de klonterigheid van materie ($\sigma_8$) en de toestandsvergelijking van donkere energie ($w_0$) veel beter vast te leggen dan voorheen. De verbetering was het meest dramatisch voor $\sigma_8$, waarbij de onzekerheid met ongeveer 31,0% afnam.

Het artikel concludeert dat dit nieuwe framework, SBi3PCF, een robuuste en nauwkeurige manier is om deze complexe kosmische patronen te analyseren. Het bewijst dat door gebruik te maken van simulaties en AI om de noodzaak voor perfecte wiskundige formules te omzeilen, wetenschappers aanzienlijk meer informatie kunnen extraheren uit hun zwakke lensing-signalen. Dit legt de weg vrij voor toekomstige, nog grotere surveys (zoals die van de Euclid-missie en het Vera C. Rubin Observatory) om deze hogere-orde statistieken te gebruiken om de grootste mysteries van het kosmos op te lossen, terwijl ze tegelijkertijd rekening houden met de rommelige realiteit van hoe wij het universum waarnemen.