Bayes-SCF: A Bayesian filter to mitigate foreground leakage in the 21-cm power spectrum

Titel: Bayes-SCF: Een Bayesiaanse filter om voorgrondlekkage in het 21-cm vermogensspectrum te mitigeren

Auteur: Khandakar Md Asif Elahi (IIT Madras, India)
Publicatie: MNRAS (voorbereid voor publicatie in 2026)

---

1. Het Probleem

Het observeren van het verplaatste 21-cm signaal van neutraal waterstof uit de Epoche van Reionisatie (EoR) is cruciaal voor het begrijpen van de eerste sterren en sterrenstelsels. Het grootste obstakel is dat het kosmologische signaal (orde van ~10 mK) wordt overschaduwd door astronomische voorgronden (synchrotronstraling) die enkele ordes van grootte helderder zijn.

Hoewel voorgronden spectraal "glad" (smooth) zijn en het 21-cm signaal snel fluctueert, maakt instrumentele chromaticiteit (frequentiestandaardisatie) en het ontbreken van frequentiekanalen (door RFI of instrumentele artefacten) een schone scheiding moeilijk.

• Ontbrekende kanalen: Het markeren (flagging) van beschadigde frequentiekanalen introduceert spectrale discontinuïteiten. Bij een directe Fourier-transformatie (vertragingsspectrum) leiden deze discontinuïteiten tot "ringing"-artefacten die heldere voorgrondkracht verspreiden over het hele vermogensspectrum ($k_{\parallel}$), waardoor het EoR-signaal onherkenbaar wordt.
• Correlatie-estimators: Een veelgebruikte oplossing is het eerst schatten van de twee-punts correlatie $C(\Delta\nu)$ en deze vervolgens te Fourier-transformeren. Dit is robuuster tegen ontbrekende kanalen omdat de correlatie functie continu blijft in $\Delta\nu$. Echter, deze methode veronderstelt statistische homogeniteit (ergodiciteit). Voorgronden zijn niet-stationair (ze evolueren over het bandbreedte), wat leidt tot residuële contaminatie.
• Smooth Component Filtering (SCF): Om dit op te lossen werd SCF voorgesteld, waarbij het dominante gladde component wordt verwijderd voordat de correlatie wordt geschat. De bestaande implementatie gebruikt een Hann-venster (convolutie) om dit gladde component te schatten.

De kernproblemen met de huidige Hann-SCF:

1. Het werkt goed alleen als voorgronden extreem glad zijn (lange correlatielengte).
2. Het faalt wanneer voorgronden complexe spectrale structuren hebben (korte correlatielengte), wat vaak voorkomt door "baseline migration" in interferometrie.
3. Het vereist het weggooien van data aan de randen van het bandbreedte (omdat convolutie daar niet gedefinieerd is), wat de effectieve bandbreedte verkleint.
4. Het is een lineaire filter met een vaste breedte die niet adaptief is.

---

2. Methodologie

De auteur introduceert Bayes-SCF, een Bayesiaanse uitbreiding van SCF gebaseerd op Gaussian Process (GP) regressie.

Data Simulatie

• Configuratie: Gebaseerd op de Murchison Widefield Array (MWA), frequentiebereik 138.9–169.6 MHz (768 kanalen).
• Componenten:
  • EoR Signaal: Een Gaussisch willekeurig veld gebaseerd op het theorethische vermogensspectrum.
  • Voorgronden: Gemodelleerd met een Radiale Basis Functie (RBF) covariantie. Twee scenario's:
    1. Smooth FG: Zeer lange correlatielengte ($N_{corr} = 10^4$).
    2. Unsmooth FG: Korte correlatielengte ($N_{corr} = 10^2$), wat instrumentele modemixing simuleert.
• Flagging Patronen: Verschillende scenario's werden getest: geen flagging, periodiek (MWA-stijl), periodiek + willekeurig, en puur willekeurig.

Het Bayes-SCF Kader

In plaats van een vaste vensterfunctie te convolueren, wordt het totale signaal $T$ gemodelleerd als een som van een glad component ($T_S$) en een ruw component ($T_R$), plus ruis:
$$T = T_S + T_R + n$$

Een Gaussian Process wordt gebruikt met een totale covariantiekernel $K = K_S + K_R + \sigma_n^2 I$:

1. Gladde Kernel ($K_S$): Een RBF-kernel met een vaste correlatielengte ($N_{GP}$). Dit fungeert als een prior die garandeert dat het model alleen grote, spectrale trends vangt en geen fijne fluctuaties absorbeert.
2. Ruwe Kernel ($K_R$): Een Matérn-3/2-kernel (geschikt voor snelle fluctuaties) waarvan de correlatielengte ($N_R$) wordt geoptimaliseerd, maar begrensd is door $N_R < N_{GP}$.
3. Optimalisatie: De hyperparameters (amplitudes en $N_R$) worden geschat door de marginale log-likelihood te maximaliseren op de beschikbare (niet-geflagde) kanalen.
4. Filtering: Het gladde component $\hat{T}_S$ wordt voorspeld via de posterior mean van de GP en afgetrokken van de data: $T_F = T - \hat{T}_S$.

Dit proces gebeurt direct op de beschikbare data zonder dat er nulwaarden hoeven te worden ingevuld voor ontbrekende kanalen.

---

3. Belangrijkste Resultaten

De resultaten zijn getest op gesimuleerde data met zowel gladde als "onrustige" (unsmooth) voorgronden en verschillende flagging-patronen.

• Prestaties van Hann-SCF:

  • Werkt goed voor puur gladde voorgronden.
  • Faalt bij "unsmooth" voorgronden: De filter kan de complexe spectrale structuren niet volledig verwijderen, wat leidt tot significante residuële voorgrondlekkage in het vermogensspectrum.
  • Verliest data aan de bandranden.

• Prestaties van Bayes-SCF:

  • Robuustheid: Bayes-SCF slaagt erin het invoermodel van het 21-cm vermogensspectrum nauwkeurig te herstellen, zelfs in aanwezigheid van spectrally onrustige voorgronden en verschillende flagging-scenario's (periodiek en willekeurig).
  • Residuen: De afwijkingen van het theoretische model liggen binnen de $1\sigma$ onzekerheid over het hele $k_{\parallel}$-bereik.
  • Frequentiedomein Analyse: Visuele inspectie toont aan dat Bayes-SCF kleine schaal fluctuaties van het EoR-signaal nauwkeurig herstelt, terwijl Hann-SCF systematische residuen achterlaat die het signaal maskeren.
  • Bandbreedte: In tegenstelling tot Hann-SCF behoudt Bayes-SCF de volledige bandbreedte omdat er geen convolutie aan de randen plaatsvindt.

• Invloed van ontbrekende kanalen:

  • Ontbrekende kanalen verhogen de statistische onzekerheid bij hoge $k_{\parallel}$, maar Bayes-SCF vermindert deze onzekerheid aanzienlijk in vergelijking met het niet-toepassen van filtering.
  • Zelfs puur willekeurige flagging (zonder periodieke structuur) veroorzaakt lekkage die door Bayes-SCF wordt opgelost.

---

4. Bijdragen en Significantie

1. Overcoming Limitations of Fixed Windows: Het artikel demonstreert fundamenteel dat vaste vensterfilters (zoals Hann) onvoldoende zijn voor realistische voorgronden met complexe spectrale structuren. Bayes-SCF biedt een niet-parametrische, datagedreven oplossing.
2. Geen Data-Imputatie Nodig: De methode werkt direct op de onvolledige data (geflagde kanalen worden genegeerd in de GP-functie), wat de noodzaak voor complexe inpainting-technieken of nul-invulling elimineert.
3. Toepasbaarheid: De methode is compatibel met bestaande pipelines (zoals TGE of CHIPS) en kan worden toegepast op zowel het correlatie-estimator als het vertragingsspectrum-estimator.
4. Toekomstperspectief: Hoewel de huidige implementatie rekenkundig duur is (een trade-off voor de nauwkeurigheid), biedt Bayes-SCF de hoop op strengere beperkingen voor de EoR, vooral bij hoge $k_{\perp}$ waar voorgronden complexer zijn. De auteur plant de toepassing op echte MWA-data na optimalisatie van het algoritme.

Conclusie:
Bayes-SCF is een krachtige, Bayesiaanse verbetering van Smooth Component Filtering. Het lost het probleem van voorgrondlekkage op in aanwezigheid van ontbrekende kanalen en complexe spectrale structuren, wat essentieel is voor de succesvolle detectie van het 21-cm signaal uit de Epoche van Reionisatie.