Modeling nonlinear scales for dynamical dark energy cosmologies with COLA

Titel: Modellering van niet-lineaire schalen voor dynamische donkere-energie-cosmologieën met COLA

Auteurs: João Rebouças et al.
Datum: 10 april 2026

1. Het Probleem

Toekomstige sterrenstelselonderzoeken (zoals LSST, Euclid en Roman) zullen een schat aan informatie genereren over de clustering van materie op kleine schalen. Het modelleren van deze kleine schaalstructuren buiten het standaard $\Lambda$CDM-model blijft echter computationeel zeer uitdagend.

• Berekeningskosten: Accurate $N$-lichaamssimulaties zijn de "gouden standaard" voor het voorspellen van het materievermogensspectrum in het niet-lineaire regime, maar ze zijn extreem duur (tienduizenden CPU-uren per simulatie). Het genereren van volledige simulatiesets voor alle kandidaat-modellen voor dynamische donkere energie is onhaalbaar.
• Beperkingen van huidige emulators: Hoewel er nauwkeurige emulators bestaan voor $\Lambda$CDM en beperkte extensies (zoals $w_0w_a$CDM), ontbreken er vaak nauwkeurige oplossingen voor bredere extensies zonder volledige $N$-lichaamssimulaties.
• Huidige benaderingen: Een veelgebruikte methode voor modellen zonder specifieke simulaties is het projecteren van de niet-lineaire "boost" (correctiefactor) van de dichtstbijzijnde $\Lambda$CDM-cosmologie. De auteurs tonen aan dat deze benadering oncontroleerbare systematische fouten introduceert bij dynamische donkere energie.

2. Methodologie

De auteurs evalueren de haalbaarheid van het gebruik van de COmoving Lagrangian Acceleration (COLA) methode, gecombineerd met machine learning, om nauwkeurige emulators te creëren voor het $w_0w_a$CDM-model (waarbij de toestandsvergelijking van donkere energie evolueert met de schaalfactor).

De Hybride Aanpak:
In plaats van puur op COLA te vertrouwen (wat onnauwkeurigheden op kleine schalen introduceert), combineren ze COLA-simulaties met een bestaande, hoogprecisie $\Lambda$CDM-emulator (EuclidEmulator2).

1. COLA Simulaties:

   • Gebruik van het fml-codepakket.
   • Simulatiebox: $L = 1024 \, h^{-1}$ Mpc met $1024^3$ deeltjes.
   • Initieel bij $z=19$, geëvolueerd over 51 tijdstappen.
   • Gebruik van de "pairing-and-fixing" methode om kosmische variantie te onderdrukken.
   • Trainingset: 700 $w_0w_a$-cosmologieën (2 simulaties per cosmologie voor variantiereductie).

2. Definitie van de Boost:
   De niet-lineaire boost wordt gedefinieerd als $B(k, z) = P_{NL}(k, z) / P_{L}(k, z)$.
   De auteurs gebruiken een hybride formule om de nauwkeurige boost voor een willekeurige cosmologie $\theta$ te voorspellen:
   $$\tilde{B}_{COLA}(k, z|\theta) = B_{N-body}(k, z|\theta_p) \times \frac{B_{COLA}(k, z|\theta)}{B_{COLA}(k, z|\theta_p)}$$
   Waarbij $\theta_p$ de projectie is van de cosmologie $\theta$ op de $\Lambda$CDM-ruimte (d.w.z. $w_0=-1, w_a=0$). Hiermee wordt de nauwkeurigheid van de $N$-lichaamsimulatie voor $\Lambda$CDM behouden, terwijl COLA wordt gebruikt om de correcties voor de extra parameters ($w_0, w_a$) te modelleren.

3. Neuraal Netwerk:

   • Een volledig verbonden neuraal netwerk (3 verborgen lagen, 1024 neuronen) wordt getraind om de genormaliseerde principal components van de COLA-boosts te voorspellen.
   • Input: Genormaliseerde kosmologische parameters ($\Omega_m, \Omega_b, h, A_s, n_s, w_0, w_a$).
   • Doel: De correctiefactor die nodig is om de COLA-resultaten te corrigeren naar het niveau van de $N$-lichaamsimulatie.

4. Validatie:

   • Vergelijking met EuclidEmulator2 (de benchmark $N$-lichaam emulator).
   • Vergelijking met de traditionele EE2 $\Lambda$CDM methode (projectie zonder aanpassing).
   • Toepassing op een gesimuleerde LSST-Y1 (Legacy Survey of Space and Time, jaar 1) zwakke lensing (cosmic shear) analyse.

3. Belangrijkste Resultaten

A. Nauwkeurigheid van de Emulator:

• De hybride emulator kan de niet-lineaire boosts van EuclidEmulator2 reproduceren met een foutmarge van minder dan 2% bij $k = 1 \, h/\text{Mpc}$ voor 90% van de geteste cosmologieën.
• De fouten zijn significant kleiner dan de fouten van de ruwe COLA-simulaties (die ongeveer 10% fout hebben op deze schaal) en veel beter dan de projectiemethode (EE2 $\Lambda$CDM), die fouten van ongeveer 7,5% vertoont op dezelfde schaal.
• De resultaten zijn consistent voor roodverschuivingen $0 \leq z \leq 3$.

B. Parameterbeperkingen (LSST-Y1 Analyse):

• De auteurs hebben 29 fiduciale cosmologieën getest, inclusief die buiten het $\Lambda$CDM-gebied.
• Bias: De COLA-emulator levert onbevooroordeelde beperkingen op voor kosmologische parameters ($\Omega_m, S_8, w_0, w_a$). De afwijkingen ten opzichte van de benchmark liggen binnen 0,3$\sigma$.
• Vergelijking met Projectiemethode: De traditionele projectiemethode (EE2 $\Lambda$CDM) introduceert significante biases, vooral voor $S_8$ en $w_0$. In sommige gevallen verschuift de $S_8$-waarde met bijna $1\sigma$ ten opzichte van de ware waarde.
• Figure of Merit (FoM): De COLA-methode levert iets strakkere beperkingen op dan de benchmark (tot 19% strakker bij agressieve schaalcut-offs), terwijl de projectiemethode de FoM kunstmatig opblaast (tot 58% strakker) door de onnauwkeurigheden te negeren, wat leidt tot een overdreven vertrouwen in de resultaten.

C. Goodness-of-Fit ($\Delta\chi^2$):

• De verdeling van $\Delta\chi^2$ (het verschil in fit-kwaliteit tussen de emulator en de benchmark) is veel smaller voor de COLA-emulator dan voor de projectiemethode. Dit betekent dat de COLA-methode consistentere voorspellingen geeft over het hele parameterbereik.

4. Bijdragen en Betekenis

• Computationele Efficiëntie: De methode biedt een haalbaar alternatief voor volledige $N$-lichaamssimulaties voor dynamische donkere energie-modellen. De totale rekentijd voor de training was ongeveer 153.600 CPU-uren, wat veel lager is dan wat nodig zou zijn voor een volledige $N$-lichaam suite voor dezelfde parameterbereiken.
• Fysiek Onderbouwd: In tegenstelling tot pure machine-learning benaderingen die puur data-driven zijn, gebruikt deze hybride aanpak fysieke inzichten (de relatie tussen COLA en $N$-lichaam) om de nauwkeurigheid te garanderen.
• Toepasbaarheid: De methode is niet beperkt tot $w_0w_a$CDM; het raamwerk kan worden uitgebreid naar andere modellen die de groei van structuur beïnvloeden, zoals gemodificeerde zwaartekracht of gekoppelde donkere energie.
• Voorbereiding op LSST: De resultaten tonen aan dat deze emulator geschikt is voor de precisievereisten van toekomstige Stage-IV onderzoeken zoals LSST, waarbij nauwkeurige modellering van niet-lineaire schalen cruciaal is om systematische fouten te minimaliseren.

Conclusie:
De auteurs concluderen dat COLA-emulators, wanneer gecombineerd met een nauwkeurige $\Lambda$CDM-referentie, een krachtig, computationeel efficiënt en fysiek gemotiveerd instrument zijn voor het modelleren van niet-lineaire structuren in uitgebreide cosmologieën. Ze bieden een praktische oplossing voor de uitdagingen van de precisiecosmologie, waarbij ze de nauwkeurigheid van $N$-lichaamssimulaties benaderen met een fractie van de rekentijd.