Constraining cosmological simulations with peculiar velocities: a forward-modeling approach

Titel: Beperken van kosmologische simulaties met peculiaire snelheden: een forward-modeling benadering (Hamlet-PM)

Probleemstelling
Numerieke simulaties zijn essentieel voor het begrijpen van gravitationele dynamica, maar standaard kosmologische simulaties reproduceren de Universum slechts statistisch, waardoor ze niet specifiek overeenkomen met de specifieke "Lokale Universum" die astronomen observeren. Deze beperking belemmert het onderzoek naar zeldzame, zwakke of goed bestudeerde nabijgelegen objecten die in een unieke omgeving bestaan. Hoewel "beperkte simulaties" (constrained simulations) ernaar streven het lokale milieu te reproduceren, vertrouwen bestaande pipelines (zoals de workflow van het CLUES-consortium) op een heterogene, meerstaps aanpak: het reconstrueren van dichtheids- en snelheidsvelden via een Wiener Filter (WF), het terugverplaatsen van beperkingen in de tijd met de Reverse Zeldovich Approximation (RZA), en het genereren van initiële condities (ICs). Deze stappen leunen zwaar op lineaire theorie en aannames (bijv. Gaussische snelheidsonzekerheden) die falen in het niet-lineaire regime en systematische biases introduceren. Bovendien hebben huidige methoden vaak moeite met het accuraat modelleren van de dynamica van het late-tijd Universum waar peculiaire snelheden worden gemeten.

Methodologie: Hamlet-PM
De auteurs presenteren Hamlet-PM, een volledig Bayesiaans, forward-modeling framework dat de initiële condities direct beperkt op basis van late-tijd ($z=0$) peculiaire snelheidsdata. In tegenstelling tot eerdere iteraties (bijv. Hamlet-L) die lineaire theorie gebruikten, integreert Hamlet-PM de volgende componenten:

1. Differentiabele zwaartekrachtoplosser: De methode vervangt het lineaire model door een grove particle-mesh (PM) zwaartekrachtoplosser (pmwd) geïmplementeerd in JAX. Dit maakt de integratie van dynamica in het licht niet-lineaire regime mogelijk.
2. Hybride snelheidsveldconstructie: Om problemen met lege cellen in void-regio's aan te pakken waar standaard Cloud-in-Cell (CiC) interpolatie faalt, gebruiken de auteurs een hybride benadering. In dichte regio's wordt het snelheidsveld afgeleid van de CiC-representatie van de N-body simulatie. In bijna lege regio's wordt een lineaire theorie-benadering gebruikt. Deze worden gecombineerd met behulp van een dichtheidsafhankelijke wegfunctie.
3. Bayesiaanse inferentie: Het framework schat de posterieure waarschijnlijkheidsverdeling van de hoog-roodverschuivings overdensiteitsveld Fourier-modi en de afstanden van de beperkingen. Het maakt gebruik van Hamiltonian Monte Carlo (HMC) via de blackjax bibliotheek om de parameterruimte te verkennen, waardoor de benaderingen van de Wiener Filter worden vermeden.
4. Data: De methode wordt toegepast op de Cosmicflows-4 (CF4) catalogus, een samengestelde dataset van $\sim56.000$ sterrenstelsels gegroepeerd in $\sim38.000$ groepen, beperkt tot $cz \leq 16.500$ km/s ($z \sim 0,05$) om de isotropie van de data te waarborgen en computationele beperkingen te beheersen.
5. Simulatie-executie: De afgeleide initiële condities (bij lage resolutie, $128^3$) worden aangevuld met willekeurige kleinschalige power om $512^3$ deeltjes te bereiken. Deze worden geëvolueerd naar $z=0$ met de AREPO code, wat een reeks van 100 beperkte simulaties genereert in een $500^3$ $h^{-1}\text{Mpc}$ box.

Belangrijkste bijdragen

• Hamlet-PM Framework: Een nieuwe uitbreiding van de Hamlet-methode die het mogelijk maakt om ICs direct te beperken vanuit $z=0$ snelheidsdata met behulp van een differentiabele, niet-lineaire zwaartekrachtoplosser, waarmee de beperkingen van de lineaire theorie van de CLUES-pipeline worden overstegen.
• Opt-LUM Metriek: De introductie van een "geoptimaliseerd Lokaal Universum Model" (opt-LUM). Dit algoritme verschuift iteratief de doelpositie van geobserveerde clusters naar het zwaartepunt van gematchte halo's in de simulatie. Dit vangt systematische ruimtelijke verschuivingen (positionele biases) op die de standaard LUM bestraft, wat zorgt voor een robuustere detectiegraad en massaschatting.
• Gestandaardiseerde benchmarking: De toepassing van de Velocity Field Olympics (VFO) en LUM-metrieken om de nieuwe methode kwantitatief te vergelijken met bestaande snelheid-gebaseerde (CLONES, P23) en roodverschuivings-gebaseerde (CSiBORG, Manticore-Local) beperkte simulaties.

Resultaten

• Grootschalige structuur: De 100 simulaties reproduceren succesvol de grootschalige structuur binnen het beperkte volume, waarbij persistente filamenten en voids zichtbaar zijn. Niet-lineaire structuren verschijnen prominenter dan in lineaire reconstructies.
• Clusterdetectie: Gebruikmakend van de opt-LUM metriek, verbetert de detectiegraad voor 12 prominente nabijgelegen clusters (bijv. Virgo, Coma, Shapley) aanzienlijk ten opzichte van de standaard LUM. De meeste clusters bereiken detectiegraad $>80\%$ bij $2\sigma$, waarbij velen de $3\sigma$ en $4\sigma$ drempels bereiken.
• Massaschattingen: De posterieure massaverdelingen voor de gematchte clusters zijn over het algemeen consistent met de literatuurwaarden (röntgen-, SZ- en dynamische probes), met name bij gebruik van de opt-LUM tegenhangers.
• Prestaties van het snelheidsveld: In de VFO benchmark presteert Hamlet-PM beter dan eerdere snelheid-gebaseerde pipelines (CLONES), maar wordt het overtroffen door roodverschuivings-gebaseerde beperkte simulaties (Manticore-Local, CSiBORG1).
• Systematische biases: De studie identificeert een significante overvloed aan massieve halo's ($>10^{14} h^{-1}M_\odot$) in het beperkte volume vergeleken met $\Lambda$CDM-voorspellingen en observationele schattingen. De particle-mesh oplosser die voor de inferentie wordt gebruikt, lijkt de amplitude van snelheden in dichte regio's te onderschatten, waardoor de initiële condities afwijken van het kosmologische model, wat resulteert in bevooroordeelde resimulaties met te veel massieve clusters.

Significantie en Claims
Het artikel beweert dat field-level forward modeling van initiële condities succesvol kan worden toegepast op werkelijke peculiaire snelheidsobservaties om hoogwaardige beperkte kosmologische simulaties te produceren. In de huidige vorm wordt gesteld dat Hamlet-PM de kwaliteit van de standaard CLUES-pipeline (WF/RZA/CRs) overtreft, voornamelijk vanwege het vermogen om niet-lineariteiten en complexe observationele effecten te modelleren binnen een zelfconsistent Bayesiaans framework.

De auteurs zijn echter bescheiden over de huidige beperkingen van de methode. Ze erkennen dat systematische biases, specifiek de overproductie van massieve clusters en de onderschatting van snelheidscontrasten in dichte regio's door de grove particle-mesh solver, aangepakt moeten worden. Het artikel concludeert dat hoewel de methode een sprong voorwaarts is voor het analyseren van peculiaire snelheidsdata op field-niveau, deze nog steeds wordt overtroffen door roodverschuivings-gebaseerde beperkte simulaties (zoals Manticore-Local) vanwege de hogere dichtheid en precisie van roodverschuivingsdata vergeleken met afstand-gebaseerde peculiaire snelheden. Toekomstige verbeteringen worden verwacht door het verfijnen van het observationele model (selectiefuncties, kruis-kalibratie) en het verbeteren van de dichtheids/snelheidsveldmodellering om dieper in het niet-lineaire regime te kunnen dringen.