Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis

Technische Samenvatting: Impact van een niet-Gaussische Likelihood op Kosmologische Beperkingen vanuit het tSZ-krachtspectrum

Probleemstelling
Het thermische Sunyaev–Zel'dovich (tSZ) krachtspectrum is een primaire sonde voor kosmologische parameters (specifiek $\sigma_8$ en $\Omega_m$) en clusterastrofysica. De statistische eigenschappen hiervan zijn echter inherent niet-Gaussisch. Deze niet-Gaussianiteit ontstaat doordat het signaal op grote hoekschalen wordt gedomineerd door zeldzame, massieve, laag-roodverschuivende clusters van sterrenstelsels, wat leidt tot een positief scheve (positively skewed) steekproefverdeling. Standaard kosmologische analyses, zoals die van de Planck Collaboration, gaan doorgaans uit van een Gaussische likelihood voor het krachtspectrum. Ho deze benadering kan standhouden bij hoge multipolen waar bijdragen verdeeld zijn over vele clusters, faalt zij om de scheefheid te vatten bij lage multipolen ($\ell < 1000$). Het gebrek aan een nauwkeurig analytisch likelihoodmodel dat deze niet-Gaussische statistieken kan vatten, motiveert de noodzaak voor alternatieve inferentiemethoden om ongeëvenaarde kosmologische beperkingen te waarborgen.

Methodologie
De auteurs maken gebruik van Simulation-Based Inference (SBI) om de noodzaak van een expliciete analytische likelihoodfunctie te omzeilen. De workflow omvat:

1. Forward Modeling:
   • Gaussische Simulator: Een baseline simulator genereert krachtspectra met behulp van een multivariate Gaussische verdeling met een vaste covariantie-matrix (inclusief trispectrum-bijdragen) om de SBI-pipeline te valideren tegen standaardmethoden.
   • Halo-gebaseerde Simulator: Een realistischer forward model genereert volledige hemelkaart van de Compton-$y$-verdeling. Dit omvat Poisson-sampling van halo-massa's en roodverschuivingen uit de Tinker et al. (2008) halo-massa-functie, het toewijzen van gegeneraliseerde Navarro–Frenk–White (GNFW) drukprofielen (Arnaud et al. 2010), en convolutie met een beam. Voorgrondresiduen (CIB, IR, RS) en gecorreleerde ruis worden toegevoegd als Gaussische willekeurige velden.
2. Neural Density Estimation:
   • De auteurs trainen diepe neurale netwerken met behulp van het sbi pakket (PyTorch) om ofwel de posterieure verdeling direct te leren (Neural Posterior Estimation, NPE), ofwel de likelihoodfunctie (Neural Likelihood Estimation, NLE).
   • Een Masked Autoregressive Flow (MAF) architectuur wordt gebruikt. Om trainingsstochastiek te beperken, wordt een ensemble van 10 onafhankelijk getrainde netwerken ingezet voor een robuuste posterieure schatting.
3. Validatie:
   • Het SBI-framework wordt eerst gevalideerd tegen een standaard Gaussische likelihood-analyse met echte Planck-data.
   • Het wordt vervolgens toegepast op een mock-dataset gegenereerd door het halo-gebaseerde forward model om de impact van niet-Gaussianiteit te beoordelen.
   • Convergentietests worden uitgevoerd met betrekking tot het aantal simulaties, en coverage-tests worden uitgevoerd om te waarborgen dat de afgeleide posteriors statistisch consistent zijn met de ware parameters.

Belangrijkste Bijdragen

• Eerste SBI-toepassing op tSZ: Dit werk vertegenwoordigt de eerste toepassing van SBI op de analyse van het tSZ-krachtspectrum.
• Validatie van de Gaussische Benadering: De studie biedt een rigoureuze test van de standaard Gaussische likelihood-aanname voor Planck-achtige surveys.
• Niet-Gaussische Likelihood Modellering: Het demonstreert het vermogen van NLE om de hoogst scheve, niet-Gaussische steekproefverdeling van het tSZ-krachtspectrum bij lage multipolen accuraat te leren en te reproduceren, waar Gaussische benaderingen falen.
• Robuustheidsanalyse: Door middel van uitgebreide ablatie-studies onderscheiden de auteurs genuante fysieke verschillen in de likelihood van potentiële artefacten die voortkomen uit de training van het neurale netwerk of eindige simulatiegroottes.

Resultaten

• Kosmologische Beperkingen: Bij het gebruik van enkel multipolen $\ell < 1000$ levert de Gaussische likelihood-aanname ongeëvenaarde (unbiased) kosmologische beperkingen op. De SBI-gebaseerde inferentie (zowel NPE als NLE) produceert resultaten voor de combinatie van kosmologische parameters $F = \sigma_8(\Omega_m/B)^{0.40}h^{-0.21}$ die in uitstekende overeenstemming zijn met de Gaussische likelihood-resultaten, ondanks de onderliggende niet-Gaussianiteit.
• Voorgrond Beperkingen: Terwijl de kosmologische beperkingen stabiel blijven, vertoont de SBI-gebaseerde inferentie een milde verbreding van de posterieure verdelingen voor de amplitudes van residuele voorgronden vergeleken met de Gaussische likelihood. Specifiek is de NLE-gebaseerde beperking op de amplitude van de infraroodbron ($A_{IR}$) ongeveer $0.5\sigma$ lager dan het Gaussische likelihood-resultaat.
• Likelihood Leren: De NLE-methode slaagt erin de niet-Gaussische structuur van de likelihood te leren, waarbij de positieve scheefheid wordt gereproduceerd die wordt waargenomen in de forward-gemodelleerde simulaties, terwijl de Gaussische benadering faalt bij lage multipolen.
• Coverage: Coverage-tests bevestigen dat de door SBI afgeleide posteriors goed gekalibreerd zijn, met biases kleiner dan $0.06\sigma$ voor alle parameters.

Betekenis en Claims
Het artikel claimt dat voor een Planck-achtige tSZ-analyse (volledige hemel, specifieke ruisniveaus), de standaard Gaussische likelihood-aanname voldoende accuraat is voor kosmologische inferentie, aangezien het ongeëvenaarde beperkingen oplevert voor cruciale parameters. De auteurs benadrukken echter dat SBI dient als een cruciaal validatie-instrument. Het stelt onderzoekers in staat om niet-Gaussische likelihoods te modelleren buiten analytische benaderingen om, waardoor subtiele verschillen in voorgrondbeperkingen aan het licht komen die anders gemist zouden worden.

De auteurs merken op dat hun conclusie over de toereikendheid van de Gaussische likelihood niet automatisch kan worden uitgebreid naar andere surveys zoals ACT of de South Pole Telescope (SPT), die kleinere fracties van de hemel observeren en daardoor meer last hebben van variantie in de steekproef en sterkere niet-Gaussianiteit bij hogere multipolen. Verder benadrukken zij dat SBI een flexibel framework biedt voor toekomstige toepassingen, zoals het integreren van onzekerheden in drukprofielen, het combineren van tSZ-krachtspectra met cluster-getalsaftellingen, en het analyseren van hogere-orde momenten, die moeilijk te behandelen zijn met traditionele analytische likelihoods. Het werk suggereert dat hoewel de Gaussische benadering robuust is voor huidige Planck-achtige beperkingen, SBI een noodzakelijke weg biedt voor het aanpakken van de complexe statistieken van toekomstige, hogere-resolutie CMB-surveys.