Field-Level Inference of Primordial Non-Gaussianity with the Quijote Simulation Suite

Probleemstelling

Een van de belangrijkste vragen in de moderne kosmologie is het begrijpen van het fysieke mechanisme dat de initiële omstandigheden van het heelal heeft gegenereerd, specifiek tijdens de periode van kosmische inflatie. Een cruciale voorspelling van inflatiemodellen is de aanwezigheid van primordiale niet-gaussianiteit (PNG). Het lokale type PNG, geparametriseerd als $f_{\text{NL}}^{\text{local}}$ (hierna $f_{\text{NL}}$ genoemd), biedt een directe test voor het aantal velden dat tijdens de inflatie actief was.

Huidige beperkingen op $f_{\text{NL}}$ komen voornamelijk van de Cosmic Microwave Background (CMB) metingen van de Planck-satelliet ($\sigma(f_{\text{NL}}) \approx 5$), maar deze hebben de "cosmic variance"-limiet bereikt op grote schalen. De volgende generatie 3D-galaxie-zoektochten (zoals Euclid en LSST) belooft betere beperkingen, maar traditionele methoden die gebruikmaken van samenvattende statistieken (zoals het vermogensspectrum en het bispectrum) verliezen informatie door de data te comprimeren tot slechts de eerste paar momenten. Deze compressie is niet gevoelig genoeg voor hogere-orde correlaties en niet-gaussianistische kenmerken die nodig zijn om $f_{\text{NL}}$ met de vereiste precisie te construeren.

Methodologie

De auteurs presenteren een toepassing van Field-Level Inference (FLI) via het BORG-algoritme (Bayesian Origin Reconstruction from Galaxies). In plaats van data te comprimeren, past BORG een Bayesiaanse forward-modelling aan op het volledige veldniveau.

1. Bayesiaans Forward-Modelling Framework:
   Het probleem wordt opgelost met Bayes' stelling, waarbij de posterior wordt berekend voor de initiële condities ($\epsilon$), $f_{\text{NL}}$, en bias-parameters ($\{b_i\}$), gegeven de waargenomen halocatalogi ($\rho_h^{\text{data}}$).
   $$\pi(\epsilon, f_{\text{NL}}, \{b_i\} | \rho_h^{\text{data}}) \propto \mathcal{L}(\rho_h^{\text{data}} | \epsilon, f_{\text{NL}}, \{b_i\}) \times \pi(\epsilon)\pi(f_{\text{NL}})\pi(\{b_i\})$$

2. Fysica Model:

   • Forward Model: Transformeert initiële condities naar een voorspeld haloveld. Dit omvat een lineaire transferfunctie, een model voor primordiale niet-gaussianiteit (lokaal type, waarbij het Bardeen-potentiaal wordt gemodificeerd door $f_{\text{NL}}$), en een structuurvormingsmodel.
   • Structuurvorming: Gebruikt 2LPT (Second-Order Lagrangian Perturbation Theory) om de niet-lineaire dichtheidsvelden te simuleren. Er worden ook tests uitgevoerd met 1LPT en tCOLA.
   • Bias Model: Een galaxy bias-model dat de koppeling tussen donkere materie en halos beschrijft. Dit omvat lineaire bias ($b_1$), tweede-orde bias ($b_2$), getijdenveld bias ($b_K$), en Laplace-bias ($b_\nabla$). Cruciaal is de toevoeging van schaal-afhankelijke bias termen ($b_\phi$ en $b_{\phi\delta}$) die specifiek ontstaan door $f_{\text{NL}}$.

3. Sampling:

   • De initiële condities (witte ruismuur) worden gesampled met Hamiltonian Monte Carlo (HMC) vanwege de differentieerbaarheid van het forward model.
   • $f_{\text{NL}}$ en de bias-parameters worden gesampled met een Slice Sampler binnen een Gibbs-block-sampling kader.
   • De waarschijnlijkheidsfunctie (likelihood) is een Gaussische verdeling over de voxel-tellingen, waarbij shot noise wordt gemodelleerd.

4. Data:
   De analyse wordt uitgevoerd op een subset van de Quijote-PNG simulatiesuite. Dit zijn donkere-materie-only $N$-body simulaties in een volume van $(1 \text{ Gpc}/h)^3$ met $512^3$ deeltjes, gegenereerd met verschillende waarden voor $f_{\text{NL}}$ (0, +100, -100). De analyse wordt uitgevoerd op schalen tot $k_{\text{max}} \approx 0.1 h \text{Mpc}^{-1}$.

Belangrijkste Bijdragen

• Eerste toepassing op realistische simulaties: Dit is de eerste keer dat FLI wordt toegepast op halocatalogi gegenereerd door volledige $N$-body simulaties (in plaats van alleen op het forward model zelf), wat een realistischere test biedt dan eerdere "self-consistent" tests.
• Gecombineerde inferentie: Het artikel demonstreert de gezamenlijke inferentie van $f_{\text{NL}}$, de initiële condities en alle relevante bias-parameters, inclusief de marginalisatie over onzekerheden in de initiële condities.
• Validatie van het forward model: De auteurs testen de robuustheid van het model door te kijken naar de herstelbaarheid van de grondwaarheid ($f_{\text{NL}}^{\text{gt}}$) en de correlatie met de werkelijke dichtheidsvelden.

Resultaten

1. Verbeterde Beperkingen op $f_{\text{NL}}$:

   • De FLI-methode (BORG) levert een verbetering op in de onzekerheid $\sigma(f_{\text{NL}})$ met een factor van ongeveer 1.3 vergeleken met traditionele schatters die een combinatie van het vermogensspectrum en het bispectrum gebruiken.
   • Voor de gebruikte resolutie ($k_{\text{max}} \approx 0.1 h \text{Mpc}^{-1}$) wordt een onzekerheid van $\sigma(f_{\text{NL}}) \approx 23$ bereikt met BORG, vergeleken met $\approx 27-29$ voor de traditionele methoden.
   • De methode herstelt de grondwaarheidswaarden van $f_{\text{NL}}$ consistent binnen het 68% betrouwbaarheidsinterval in ongeveer 68% van de 30 uitgevoerde simulaties.

2. Herstel van Velden:

   • Er is een sterke correlatie gevonden tussen de afgeleide en de grondwaarheid velden voor het gravitatiepotentiaal, de materie-dichtheid en het haloveld op grote schalen.
   • Op kleinere schalen neemt de correlatie af, wat te wijten is aan de beperkingen van het forward model (2LPT) om de volledige niet-lineariteit van de $N$-body simulaties te vangen.

3. Sensitiviteit voor Schaal en Modelkeuze:

   • Resolutie: Er is een duidelijke trend dat het verhogen van de resolutie (kleinere voxels, hogere $k_{\text{max}}$) leidt tot strakkere beperkingen op $f_{\text{NL}}$. Dit benadrukt het belang van het benutten van informatie op kleinere schalen.
   • Structuurvormingsmodel: Bij de gebruikte resolutie ($k_{\text{max}} \approx 0.1$) had het gebruik van complexere structure-vormingsmodellen (2LPT of tCOLA in plaats van 1LPT) slechts een marginale invloed op de beperkingen van $f_{\text{NL}}$. Dit suggereert dat op deze schalen de lineaire/kwasi-lineaire benadering voldoende is, zolang de bias correct wordt gemodelleerd.

4. Bias Degeneratie:
   Er wordt een verwachte degeneratie waargenomen tussen de lineaire bias ($b_1$) en $f_{\text{NL}}$, veroorzaakt door de schaal-afhankelijke bias. Ondanks deze degeneratie slaagt de methode erin om beide parameters robuust te constrainen.

Betekenis en Conclusie

Dit onderzoek toont het transformatieve potentieel van Field-Level Inference voor de kosmologie. Door de volledige statistische informatie in de data te benutten in plaats van deze te comprimeren, kan FLI nauwkeurigere beperkingen opleggen aan de fysica van de vroege heelal dan traditionele methoden.

De resultaten tonen aan dat de BORG-methode klaar is voor toepassing op de komende generatie waarnemingen (zoals Euclid). Het biedt een robuust kader om niet alleen $f_{\text{NL}}$ te constrainen, maar ook om de initiële condities van het heelal te reconstrueren en systematische fouten (zoals bias) te marginaliseren. Dit is een essentiële stap om de oorsprong van de kosmische structuur en het aantal velden tijdens de inflatie verder te ontrafelen. Toekomstig werk zal zich richten op het verbeteren van de bias-modellen voor $f_{\text{NL}}$ en het uitbreiden van de analyse naar hogere resoluties en andere vormen van niet-gaussianiteit.