Galaxy cluster count cosmology with simulation-based inference

Título: Cosmologia com contagem de aglomerados de galáxias usando inferência baseada em simulação (SBI)

Autores: M. Regamey et al.
Data: Junho de 2025 (Preprint arXiv)

1. O Problema

Os aglomerados de galáxias são as maiores estruturas gravitacionalmente ligadas do universo e servem como sondas sensíveis para parâmetros cosmológicos, particularmente através da dependência da função de massa de halos (HMF) em $\Omega_m$ (densidade de matéria) e $\sigma_8$ (amplitude das flutuações de densidade).

No entanto, a precisão dos experimentos de contagem de aglomerados é limitada por várias incertezas sistemáticas:

• A relação entre os observáveis do levantamento (como fluxo e temperatura) e a massa do halo.
• A precisão dos modelos da função de massa de halos (HMF).
• A implementação da função de seleção do levantamento (que define quais aglomerados são detectados).
• Métodos tradicionais muitas vezes dependem de reconstruções analíticas diretas da HMF, que exigem aproximações que podem introduzir vieses, especialmente quando a função de seleção não pode ser expressa analiticamente.

2. Metodologia

Os autores propõem uma abordagem de modelagem direta (forward modeling) utilizando Inferência Baseada em Simulação (SBI - Simulation-Based Inference). Em vez de tentar derivar uma verossimilhança analítica, eles simulam diretamente os dados observáveis e aprendem a mapeamento entre os parâmetros de entrada e as distribuições observadas.

O pipeline de simulação desenvolvido inclui os seguintes passos:

1. Geração de Amostras: A partir de parâmetros cosmológicos ($\Omega_m, \sigma_8, H_0$), gera-se halos de matéria escura dentro de um volume de survey definido, utilizando uma função de massa de halos (HMF).
2. Correção de Massa: Como as escalas de massa dependem da cosmologia (devido à densidade crítica), as massas simuladas são convertidas para a cosmologia assumida nas relações de escala (calibradas via lentes gravitacionais fracas).
3. Relações de Escala (Scaling Relations):
   • Massa-Temperatura (M-T): Utiliza-se uma relação conhecida para derivar a temperatura do gás intraaglomerado (ICM) a partir da massa.
   • Massa-Luminosidade (M-L): Modelada como uma lei de potência com dispersão log-normal, cujos parâmetros (inclinação, normalização e dispersão) são tratados como variáveis livres para marginação.
4. Cálculo de Observáveis:
   • Aplicação de correção K para converter luminosidade no referencial de repouso para o referencial do observador.
   • Uso de um modelo $\beta$ para calcular o fluxo dentro de uma abertura física fixa (300 kpc), simulando a observação real.
5. Função de Seleção: Aplica-se a função de seleção do levantamento diretamente no espaço dos observáveis simulados, permitindo tratar efeitos complexos de seleção sem aproximações analíticas.
6. Inferência (SBI): Utiliza-se o pacote Python sbi e o algoritmo SNPE (Sequential Neural Posterior Estimation). Uma rede neural é treinada para aprender a distribuição posterior dos parâmetros a partir das estatísticas de resumo (histogramas de temperatura, fluxo e redshift) das simulações.

3. Contribuições Chave

• Abordagem de Modelagem Direta: O método permite incorporar todas as dependências cosmológicas e efeitos de seleção de forma exata e numérica, evitando aproximações analíticas que limitam métodos tradicionais.
• Marginalização Simultânea: O pipeline permite inferir simultaneamente os parâmetros cosmológicos e os parâmetros das relações de escala (como a inclinação e normalização da relação Massa-Luminosidade), marginalizando sobre as incertezas nestas relações físicas.
• Flexibilidade: O método pode ser facilmente adaptado para incluir qualquer observável adicional (ex.: lentes fracas, riqueza) sem reescrever a estrutura de verossimilhança.
• Validação Rigorosa: O método foi validado usando amostras "mock" (falsas) extraídas da simulação N-body UNIT1i, onde os parâmetros verdadeiros são conhecidos.

4. Resultados Principais

O estudo foi aplicado a amostras simuladas de áreas de 50 deg² e 1000 deg² (simulando levantamentos como XMM-XXL e futuros levantamentos de grande área).

• Recuperação de Parâmetros: O método recuperou com precisão os parâmetros cosmológicos de entrada ($\Omega_m, \sigma_8, H_0$) e os parâmetros da relação de escala, demonstrando consistência com os valores verdadeiros da simulação UNIT1i.
• Degenerescências: Foi confirmada a degenerescência conhecida entre $\Omega_m$ e $\sigma_8$. A inclusão da distribuição de temperatura (como proxy de massa) ajudou a quebrar essa degenerescência, melhorando as restrições em $\sigma_8$.
• Impacto do Tamanho da Survey: Aumentar a área do survey de 50 deg² para 1000 deg² reduziu significativamente as incertezas nos parâmetros, validando a eficácia do método para futuros levantamentos de grande escala (como eROSITA e Euclid).
• Análise de Incertezas Sistemáticas:
  • Variação de Amostra e Modelo de HMF: Para áreas de 50 deg², a variação de amostra e a escolha do modelo de função de massa (comparando Tinker08, Watson13, etc.) são fontes de incerteza subdominantes em comparação com os erros estatísticos.
  • Escala de Massa Absoluta: A calibração da escala de massa (normalização da relação M-T) foi identificada como a principal fonte de erro sistemático. Uma variação de $\pm 10\%$ na normalização causa grandes desvios em $\Omega_m$ e $\sigma_8$ (ex: $\Omega_m$ varia até 28%).
  • Robustez de $S_8$: Curiosamente, o parâmetro composto $S_8 = \sigma_8(\Omega_m/0.3)^{0.3}$ mostrou-se muito menos sensível à calibração da massa absoluta, variando apenas cerca de 4% mesmo com erros de 10% na normalização. Isso sugere que $S_8$ é uma métrica mais robusta para levantamentos de aglomerados.

5. Significado e Conclusão

O artigo demonstra que a Inferência Baseada em Simulação (SBI) é uma via promissora e poderosa para a cosmologia futura baseada em contagem de aglomerados.

• Vantagem Principal: Permite utilizar todos os observáveis disponíveis de forma direta e coerente, tratando a função de seleção e as relações de escala de forma não-paramétrica e exata.
• Aplicabilidade: O método é ideal para os próximos grandes levantamentos de raios-X (como eROSITA) e ópticos (como Euclid), onde o volume de dados e a complexidade das sistemáticas exigirão abordagens que vão além das análises analíticas tradicionais.
• Requisito Crítico: Para obter restrições cosmológicas precisas em $\Omega_m$ e $\sigma_8$, a calibração da escala de massa absoluta deve ser feita com uma precisão melhor que 10%. Caso contrário, as incertezas sistemáticas dominarão os resultados, embora o parâmetro $S_8$ permaneça robusto.

Em suma, este trabalho estabelece um novo padrão metodológico para a cosmologia de aglomerados, substituindo aproximações analíticas por simulações diretas e aprendizado de máquina para extrair informações cosmológicas com maior fidelidade.