Informative Priors on Primordial Non-Gaussianity Bias $b_{\phi}$ From Galaxy Formation

1. Het Probleem: Degeneratie in de Beperking van Primordiale Non-Gaussianiteit

Het bepalen van de parameters van de oerknal-inflatie, specifiek de lokale vorm van primordiale non-gaussianiteit ($f_{\text{NL}}^{\text{loc}}$), is een centraal doel in de moderne kosmologie. De huidige beperkingen uit de Kosmische Microgolfachtergrondstraling (CMB) zijn onvoldoende om verschillende inflatiemodellen te onderscheiden. Grote-structuren (LSS) surveys, zoals DESI en Euclid, bieden een alternatief via de schaal-afhankelijke bias die $f_{\text{NL}}^{\text{loc}}$ oplegt aan de verdeling van sterrenstelsels.

De fundamentele uitdaging is echter een exacte parameterdegeneratie tussen $f_{\text{NL}}^{\text{loc}}$ en de bias-parameter $b_\phi$ in de lineaire dichtheidscontrastering van sterrenstelsels:
$$\delta_g(k, z) \approx b_1 \delta_m + b_\phi f_{\text{NL}}^{\text{loc}} \phi + \epsilon$$
Zonder onafhankelijke kennis van $b_\phi$ kan het signaal van $f_{\text{NL}}^{\text{loc}}$ niet worden geïsoleerd.

Huidige analyses lossen dit op door de "universaliteitsrelatie" te gebruiken:
$$b_\phi = 2\delta_c (b_1 - 1)$$
Deze relatie is echter gebaseerd op de aanname van een universele massa-functie voor halos. Het artikel benadrukt dat deze relatie faalt voor fysiek gemotiveerde selecties van sterrenstelsels (bijv. gebaseerd op sterrenmassa of kleur). Het gebruik van een onjuiste relatie introduceert systematische fouten in de afgeleide $f_{\text{NL}}^{\text{loc}}$-waarden, die evenredig zijn met de onzekerheid in de aangenomen prior voor $b_\phi$. Er is dus behoefte aan realistische, informatieve priors voor $b_\phi$ die rekening houden met de onzekerheid in de vorming van sterrenstelsels.

2. Methodologie: Een Framework voor Observationeel Geconditioneerde Priors

De auteurs presenteren een raamwerk om een prior voor $b_\phi$ te construeren die is geconditioneerd op waarnemingen, door te marginaliseren over de onzekerheid in de fysica van de vorming van sterrenstelsels. De kernvergelijking is:
$$p(b_\phi | \{Obs\}) = \int d\theta_{gf} \, p(b_\phi | \theta_{gf}) \, p(\theta_{gf} | \{Obs\})$$
Waarbij $\{Obs\}$ de waargenomen eigenschappen zijn en $\theta_{gf}$ de parameters van de vorming van sterrenstelsels.

Het framework bestaat uit drie hoofdcomponenten:

1. Simulaties (CAMELS-SAM & Separate Universe):

   • Gebruik van de CAMELS-SAM suite (1000 realisaties) met het Santa Cruz Semi-Analytic Model (SAM). Dit model varieert kosmologische parameters ($\Omega_M, \sigma_8$) en drie astrophysische feedback-parameters: $A_{\text{AGN}}$ (AGN-feedback), $A_{\text{SN1}}$ en $A_{\text{SN2}}$ (sterrenfeedback).
   • Gebruik van Separate Universe (SU) simulaties (50 realisaties) om $b_\phi$ direct te meten. In deze simulaties wordt de amplitude van het primordiale vermogensspectrum ($A_s$) lokaal gewijzigd om de respons van het aantal sterrenstelsels te meten, wat $b_\phi$ definieert.

2. Emulatie van Observabelen (Gaussian Process Emulator - GPE):

   • Omdat de SU-simulaties te duur zijn om dicht te bemonsteren, wordt een GPE getraind op de CAMELS-SAM suite.
   • Deze emulator voorspelt observabelen (zoals de Sterrenmassa Functie (SMF), de Sterren-tot-Halo Massa Relatie (SHMR), en de Metaalrijkdom-Sterrenmassa relatie) voor willekeurige punten in de parameterruimte $\theta_{gf}$.
   • Dit maakt Markov Chain Monte Carlo (MCMC) bemonstering mogelijk van de posterior $p(\theta_{gf} | \{Obs\})$ op basis van waarnemingsdata.

3. Interpolatie van $b_\phi$:

   • Een Radial Basis Function (RBF) interpolator wordt getraind op de 50 SU-simulaties.
   • Deze interpolator mapt elke steekproef van de MCMC (een set $\theta_{gf}$) naar een voorspelde waarde van $b_\phi$.
   • De verdeling van deze voorspellingen vormt de uiteindelijke, geconditioneerde prior $p(b_\phi | \{Obs\})$.

3. Belangrijkste Bijdragen

• Methode voor Marginalisatie: Een nieuwe aanpak om $b_\phi$ priors te construeren die expliciet rekening houden met de onzekerheid in de vorming van sterrenstelsels, in plaats van een starre universele relatie te aannemen.
• Koppeling van SAM en SU: Effectieve integratie van semi-analytische modellen (voor de parameterverdeling) en separate universe simulaties (voor de directe meting van $b_\phi$).
• Toepassing op DESI-achtige steekproeven: De analyse is specifiek getuned op de Emission Line Galaxy (ELG) steekproef van de DESI-survey, wat direct relevant is voor toekomstige analyses.
• Validatie: Het framework is zowel gevalideerd op gesimuleerde data (waar de "ware" parameters bekend zijn) als op echte waarnemingsdata.

4. Resultaten

De auteurs toetsen het framework aan drie observabelen: SMF, SHMR en de Metaalrijkdom-Sterrenmassa relatie.

• Reductie van Onzekerheid:

  • De ongespecificeerde prior (unweighted SU-distributie) heeft een standaardafwijking van $\sigma_{b_\phi} \approx 0.69$.
  • Conditioneren op de Sterrenmassa Functie (SMF) verlaagt de onzekerheid tot $\sigma_{b_\phi} \approx 0.08$ (een reductie van 88%).
  • Conditioneren op de Sterren-tot-Halo Massa Relatie (SHMR) verlaagt de onzekerheid tot $\sigma_{b_\phi} \approx 0.02$ (een reductie van 97%).
  • Conditioneren op de Metaalrijkdom geeft een reductie van ongeveer 34-53%, afhankelijk van de dataset.

• Consistentie ondanks Modelverschillen:

  • Er werden significante verschuivingen gevonden in de posteriors van de vormingsparameters (vooral $A_{\text{AGN}}$) wanneer de SHMR werd gebruikt. Dit komt doordat het SC-SAM model moeite heeft om de waargenomen SHMR bij hoge halo-massa's na te bootsen (onderdrukking van sterrenvorming).
  • Cruciaal: Ondanks deze verschuivingen in de astrophysische parameters, blijven de resulterende verdelingen voor $b_\phi$ onderling consistent over alle drie de observabelen. Dit toont aan dat het framework robuust is tegen modeldefecten in specifieke regimes.

• Informatiewinst:

  • De Kullback-Leibler (K-L) divergentie toont aan dat de MCMC-geconditioneerde priors aanzienlijk meer informatie bevatten dan de ruwe simulatie-herweging ($\chi^2$-gewogen), wat aantoont dat de emulator-benadering essentieel is voor het benutten van de data.

5. Betekenis en Conclusie

Dit onderzoek biedt een oplossing voor een van de grootste systematische beperkingen in de zoektocht naar primordiale non-gaussianiteit met toekomstige spectroscopische surveys (zoals DESI, Euclid, SPHEREx).

• Oplossing voor Systematische Fouten: Door fysiek gemotiveerde priors te gebruiken in plaats van de gebroken universaliteitsrelatie, kunnen de systematische fouten in $f_{\text{NL}}^{\text{loc}}$-metingen drastisch worden verminderd.
• Kans op Nieuwe Fysica: Met de reductie van de onzekerheid in $b_\phi$ tot niveaus van 0.02-0.08, worden de toekomstige surveys in staat gesteld om de gevoeligheid te bereiken die nodig is om enkel-veld inflatiemodellen uit te sluiten (waarvoor $\sigma(f_{\text{NL}}) \sim 1$ nodig is).
• Toekomstperspectief: De auteurs benadrukken dat het marginaliseren over meerdere modellen en het gebruik van flexibele inferentiemethoden (zoals neurale dichtheidschatting) essentieel blijft om de onzekerheid in de vorming van sterrenstelsels volledig te beheersen.

Kortom, dit artikel levert een noodzakelijke technische brug tussen de complexe fysica van sterrenstelselvorming en de precieze kosmologische inferentie van de vroege universum.