Simulation based inference of the ionization history from the 2D 21 cm power spectrum

Título: Pipeline de Inferência Baseada em Simulação da História de Ionização a partir do Espectro de Potência 2D do 21 cm

Autores: Nadia Cooper, Carina Norregaard, Romain Meriot e Jonathan R. Pritchard.
Publicação: MNRAS (Preprint, 2026).

---

1. Problema e Contexto

A linha de transição de 21 cm do hidrogênio neutro é uma sonda promissora para estudar a "Alvorecer Cósmico" (CD) e a "Época de Reionização" (EoR), períodos marcados pela formação das primeiras estrelas e galáxias. Embora observações indiretas (como a profundidade óptica do CMB e a floresta Lyman-α) tenham restringido o tempo desses eventos, a inferência direta da fração neutra ao longo do tempo cósmico é um objetivo central de futuros experimentos como o Square Kilometre Array (SKA).

O desafio principal reside na complexidade e no custo computacional de simular o sinal de 21 cm. Métodos tradicionais de inferência (como MCMC) exigem a geração de milhões de simulações on-the-fly e assumem frequentemente uma forma funcional de verossimilhança (geralmente Gaussiana), o que pode ser impreciso devido às não-linearidades e acoplamentos de modos no campo de densidade de hidrogênio. Além disso, o espectro de potência 2D (2DPS) contém mais informação que o 1D, mas é mais suscetível à variância de amostra e ruído instrumental.

2. Metodologia

Os autores desenvolveram um pipeline de Inferência Baseada em Simulação (SBI) utilizando Estimação do Posterior Neural (NPE) para inferir parâmetros astrofísicos e a história de ionização a partir de espectros de potência 2D ruidosos.

Dados e Simulações

• Simulador: Utilizaram o código semi-numérico 21cmFAST para gerar "lightcones" (cones de luz) entre os redshifts $z \sim 5-12$.
• Parâmetros Astrofísicos: O modelo foi treinado para inferir três parâmetros chave:
  1. Temperatura de virial mínima ($T_{vir}$).
  2. Eficiência de ionização ($\zeta$).
  3. Caminho livre médio dos fótons ionizantes ($R_{mfp}$).
• Ruído: Adicionaram ruído instrumental realista simulando as especificações do SKA (configuração de antenas de 2016, 1000 horas de observação), gerando 10.000 realizações de ruído.

Emuladores (Surrogates)

Dois emuladores baseados em redes neurais foram desenvolvidos:

1. Emulador do 2DPS: Uma rede neural densa (6 camadas) treinada para prever o espectro de potência 2D a partir dos parâmetros astrofísicos.
   • Desafio da Variância de Amostra: Devido à alta variância de amostra em baixos modos $k$ (cantos inferiores do espectro), os autores removeram os 3 pixels do canto inferior esquerdo para melhorar a precisão.
   • Tratamento do Ruído: O treinamento focou em regiões de alto SNR (Sinal-Ruído), normalizando os dados pelo desvio padrão do ruído.
2. Emulador da História de Ionização: Uma rede neural densa (9 camadas) que mapeia diretamente os parâmetros astrofísicos para a fração neutra em 41 bins de redshift.

Pipeline de Inferência (SBI)

Foram comparadas duas abordagens para treinar o estimador do posterior neural:

1. Pipeline A (Simulações): Treinado diretamente em pares (dados, parâmetros) gerados pelo 21cmFAST com ruído.
2. Pipeline B (Emulador): Treinado em pares gerados pelo emulador do 2DPS, adicionando realizações de ruído e uma aproximação de variância de amostra (assumida como Gaussiana) ao output do emulador.

O estimador do posterior utilizou um conjunto (ensemble) de arquiteturas de fluxo neural (Neural Spline Flow e Masked Autoregressive Flow) para modelar a distribuição posterior $P(\theta|x)$.

3. Contribuições Principais

• Desenvolvimento de um Emulador 2DPS: Uma das primeiras tentativas de criar um emulador específico para o espectro de potência 2D do sinal de 21 cm, lidando com a complexidade da variância de amostra e ruído.
• Comparação de Estratégias de Treinamento: Avaliação rigorosa de se treinar a inferência em simulações reais ou em dados emulados, testando a eficácia de aumentar a densidade de amostragem do prior via emulação.
• Inferência da História de Ionização: Demonstração de como obter distribuições posteriores completas da fração neutra ao longo do redshift ($z=5-12$) a partir de parâmetros astrofísicos inferidos.
• Análise de Calibração: Uso extensivo de Simulation Based Calibration (SBC) e Test of Accuracy to Random Points (TARP) para validar a calibração e a confiabilidade das posteriors.

4. Resultados

• Recuperação de Parâmetros: Ambos os pipelines (treinado em simulações e emulador) conseguiram recuperar com precisão a temperatura de virial ($T_{vir}$) e a eficiência de ionização ($\zeta$), identificando corretamente a degenerescência entre eles. O parâmetro $R_{mfp}$ apresentou restrições mais largas, como esperado, devido à sua menor influência no espectro de potência.
• História de Ionização: Ambos os métodos recuperaram a história de ionização com alta precisão. O erro sistemático do emulador da história de ionização foi inferior a $\pm 0.01$ na fração neutra na maioria dos casos.
• Desempenho Comparativo (Simulação vs. Emulador):
  • O pipeline treinado em simulações reais demonstrou desempenho superior em testes de calibração (SBC), apresentando uma ligeira subconfiança (conservadorismo), o que é preferível.
  • O pipeline treinado em dados emulados mostrou-se superconfiante (overconfident) e com viés, falhando em capturar corretamente a variância de amostra.
  • Testes indicaram que a remoção dos pixels do canto (para reduzir erro do emulador) não foi a causa principal da degradação; o erro do modelo do emulador em capturar a estocasticidade (variância de amostra) foi o fator limitante.
• Cenários de Reionização: A inferência foi mais restritiva para cenários de reionização tardia. Cenários de reionização precoce apresentaram restrições mais fracas devido à baixa relação sinal-ruído em altos redshifts e à ausência de sinal após a ionização completa.

5. Significado e Conclusões

O trabalho conclui que, embora os emuladores sejam ferramentas poderosas para acelerar a inferência, para o espectro de potência 2D, a inferência baseada diretamente em simulações (SBI com simulações) é mais robusta do que a baseada em emuladores de 2DPS, pelo menos com a arquitetura de rede densa atual.

• Limitação do Emulador: A natureza estocástica do 2DPS (variância de amostra) é difícil de ser capturada por modelos determinísticos simples. Tentativas de adicionar ruído gaussiano artificial não foram suficientes para corrigir a superconfiança do modelo.
• Recomendação Futura: Sugere-se que arquiteturas mais complexas, capazes de modelar a estocasticidade intrínseca (ex: redes variacionais ou modelos generativos), sejam necessárias para que emuladores de 2DPS sejam viáveis como substitutos diretos de simulações em pipelines de inferência.
• Aplicabilidade: Apesar das limitações no 2DPS, o emulador da história de ionização mostrou-se altamente eficaz e flexível, permitindo a exploração rápida de MCMC ou inferência neural sequencial sem a necessidade de um banco de simulações pré-calculado.

Em suma, o estudo destaca que, para dados 2D complexos com alta variância, a fidelidade das simulações físicas ainda supera a eficiência dos emuladores atuais, mas a abordagem de inferência baseada em simulação (SBI) provou ser um método viável e poderoso para extrair a história de reionização do universo.