Inverting Fisher biases for fast systematics exploration

Titel: Inversie van Fisher-bias voor snelle verkenning van systematische fouten

Auteurs: Biancamaria Sersante, Christos Georgiou, en Nora Elisa Chisari
Datum: 20 april 2026 (Preprint)

---

1. Het Probleem

Toekomstige kosmologische surveys (Stage-IV, zoals LSST en Euclid) zullen uiterst precieze beperkingen opleggen aan kosmologische parameters. Een cruciale uitdaging is het garanderen van de robuustheid van deze analyses door systematische effecten correct te modelleren. Als systematische fouten (zoals intrinsieke uitlijningen van sterrenstelsels of baryonische feedback) niet correct worden meegenomen, kunnen ze de beste-fit parameters verschuiven ten opzichte van hun ware waarden.

Dit leidt vaak tot spanningen (tensions) tussen verschillende experimenten of tussen verschillende probes binnen hetzelfde experiment. Traditioneel wordt dergelijke spanning onderzocht door dure, tijdrovende likelihood-sampling algoritmen (zoals MCMC) opnieuw te draaien met uitgebreide modellen om te zien of een specifiek systematisch effect de waargenomen discrepantie kan verklaren. Dit proces is computationally expensive en inefficiënt, vooral tijdens de "blinding"-fasen van surveys.

2. Methodologie

De auteurs introduceren een nieuwe toepassing van de Fisher-matrix formalisme om deze spanningen te analyseren. In plaats van de gebruikelijke richting (het voorspellen van de bias in parameters door een bekend systematisch effect), inverteren ze het proces.

De kern van de methode:

1. Fisher Bias Formalisme: Normaal gesproken wordt de bias ($\Delta\theta$) in kosmologische parameters berekend als een functie van een systematisch parameter ($\Delta\psi$) via de relatie:
   $$\Delta\theta = -(F^{\theta\theta})^{-1} F^{\theta\psi} \Delta\psi$$
   Waarbij $F^{\theta\theta}$ de Fisher-matrix is voor de kosmologische parameters en $F^{\theta\psi}$ de kruis-correlatie tussen kosmologische en systematische parameters.

2. Inversie: De auteurs keren deze vergelijking om. Als er een waargenomen verschuiving ($\Delta\theta$) is tussen twee datasets (bijv. zwakke lensing vs. CMB), kunnen ze schatten welke waarde van het systematische parameter ($\Delta\psi$) nodig zou zijn om deze verschuiving te verklaren:
   $$F^{\theta\psi} \Delta\psi = -F^{\theta\theta} \Delta\theta$$
   Dit stelt onderzoekers in staat om snel te bepalen of een specifiek, niet gemodelleerd systematisch effect plausibel is als oorzaak van een waargenomen spanning, zonder dure sampling te hoeven uitvoeren.

3. Implementatie:

   • Ze gebruiken een synthetische data-vector gebaseerd op een jaar aan waarnemingen van het LSST (Vera C. Rubin Observatory).
   • Ze modelleren de data met behulp van hoekvermogensspectra ($C_\ell$) en een Gaussische covariantiematrix.
   • Ze testen de methode op twee specifieke systematische effecten: Intrinsieke Uitlijningen (IA) en Baryonische Feedback.

3. Belangrijkste Bijdragen

• Nieuwe Applicatie van Fisher-matrices: Het introduceren van een "inversie" van de Fisher-bias relatie om systematische oorzaken van data-spanningen te diagnosticeren.
• Computationele Efficiëntie: De methode biedt een snelle, analytische test die duizenden keren minder rekentijd kost dan het opnieuw draaien van volledige likelihood-samplers (zoals Nautilus).
• Generalisatie: De methode is niet beperkt tot één parameter; ze generaliseren de formule voor meerdere kosmologische parameters ($m$) en meerdere systematische parameters ($n$), mits $m \geq n$.
• Validatie: Ze demonstreren dat de analytische Fisher-voorspellingen consistent zijn met resultaten verkregen via volledige numerieke sampling, zelfs in gevallen waar de bias relatief groot is.

4. Resultaten

De auteurs testen hun methode op twee scenario's:

1. Intrinsieke Uitlijningen (IA):

   • Scenario: Een synthetische dataset wordt gegenereerd met een IA-amplitude $A_{IA} = 0.05$, maar geanalyseerd met een model waarbij $A_{IA} = 0$ (verwaarloosd).
   • Resultaat: De Fisher-inversie voorspelt correct dat een $A_{IA}$-waarde nodig is om de waargenomen verschuiving in parameters ($\Omega_m, A_s, w_0$) te verklaren. De voorspelling komt overeen met de contour van de volledige Nautilus-sampling. Omdat IA lineair bijdraagt aan het vermogensspectrum, werkt de lineaire benadering van de Fisher-matrix hier zeer goed.

2. Baryonische Feedback:

   • Scenario: De fiduciale dataset heeft sterke AGN-feedback ($\log(T_{AGN}) = 8.0$), maar het analysemodel gebruikt een zwakkere feedback ($\log(T_{AGN}) = 7.7$).
   • Resultaat: Ondanks dat baryonische feedback een niet-lineair effect heeft op het materie-vermogensspectrum, levert de Fisher-inversie nog steeds een robuuste schatting op. De voorspelde verschuiving in $\log(T_{AGN})$ om de bias te verklaren, valt binnen de 1$\sigma$-contour van de volledige sampling. Dit toont aan dat de methode ook bruikbaar is voor niet-lineaire systematiek, zolang de bias niet extreem groot is.

5. Betekenis en Conclusie

De voorgestelde methode is een krachtig hulpmiddel voor de volgende generatie kosmologische surveys:

• Snelle Diagnostiek: Het stelt onderzoekers in staat om tijdens de analyse (vooral in de blinding-fase) snel te beoordelen of waargenomen spanningen tussen datasets kunnen worden toegeschreven aan specifieke, bekende systematische fouten.
• Prioritering: Het helpt bij het bepalen welke systematische effecten de grootste impact hebben en dus prioriteit moeten krijgen bij het verfijnen van modellen voordat de data "ontblind" wordt.
• Beperkingen: De methode is wiskundig exact in de limiet van kleine biases en gladde, goed-gedragde likelihoods (lineair in data en parameters). Voor zeer grote biases of sterk niet-Gaussische likelihoods neemt de nauwkeurigheid af, maar de methode blijft nuttig om de richting en grote orde van de bias te bepalen.
• Toekomstige Toepassingen: De methode is toepasbaar op een breed scala van systematiek, waaronder redshift-afhankelijke uitlijningen, lensing-magnificatie, en andere nested modellen.

Kortom, dit artikel biedt een efficiënt alternatief voor dure numerieke sampling om de oorzaken van kosmologische spanningen te onderzoeken, waardoor de robuustheid van toekomstige precisie-metingen wordt versterkt.