Generation of Lognormal Synthetic Lyman-$α$ Forest Spectra for $P_{1D}$ Analysis

Resumo Técnico: Geração de Espectros Sintéticos de Floresta Lyman-$\alpha$ Lognormaisais para Análise de $P_{1D}$

Definição do Problema
O espectro de potência unidimensional ($P_{1D}$) da floresta Lyman-$\alpha$ (Ly$\alpha$) é uma sonda crítica para a estrutura em pequena escala no meio intergaláctico (IGM), oferecendo sensibilidade a parâmetros cosmológicos (por exemplo, massas de neutrinos, natureza da matéria escura) e processos astrofísicos (por exemplo, história térmica do IGM). No entanto, a extração desses parâmetros requer validação rigorosa contra erros sistemáticos, incluindo efeitos instrumentais, incertezas de ajuste de contínuo e contaminantes astrofísicos. Embora simulações hidrodinâmicas forneçam realizações de alta fidelidade do IGM, elas são computacionalmente proibitivas para gerar os grandes conjuntos de espectros necessários para uma estimativa de erro robusta e validação de pipelines em levantamentos de alto volume como o Dark Energy Spectroscopic Instrument (DESI). Métodos anteriores de geração de mocks lognormais, embora mais rápidos, frequentemente dependiam de formas analíticas estáticas para o espectro de potência Gaussiano subjacente, as quais careciam da flexibilidade necessária para reproduzir com precisão a forma dependente da escala e a evolução com o desvio para o vermelho (redshift) do $P_{1D}$ observado através do amplo espaço de parâmetros dos levantamentos modernos.

Metodologia
Os autores apresentam um arcabouço de mocks lognormais aprimorado, projetado para gerar espectros sintéticos de floresta Ly$\alpha$ 1D adaptados para análise de $P_{1D}$. O método baseia-se no formalismo estabelecido por McDonald et al. (2006) e Karaçaylı et al. (2020), mas introduz duas inovações principais para aumentar a fidelidade:

1. Inversão de Correlação Gaussiana Dependente do Redshift: Diferente de abordagens anteriores que utilizavam uma forma analítica fixa para o espectro de potência Gaussiano ($P_G$) de entrada, este método resolve diretamente pela função de correlação Gaussiana ($\xi_G$) ótima no espaço de configuração. Ao ajustar iterativamente $\xi_G$ de modo que a função de correlação de fluxo resultante ($\xi_F$) — após a aplicação da sequência completa de transformações lognormais — corresponda a um $P_{1D}$ alvo, os autores derivam um espectro de potência Gaussiano $P_G(k, z)$ único e dependente do redshift. Esta inversão é realizada ponto a ponto usando um resolvedor de mínimos quadrados não lineares para minimizar os resíduos entre as estatísticas do mock transformadas e o modelo alvo (especificamente as medições do DESI Early Data Release).
2. Ajuste Analítico do Fluxo Médio: O arcabouço otimiza separadamente a evolução do fluxo transmitido médio. Os autores adotam um modelo de profundidade óptica efetiva ($\tau(z) = \tau_0(1+z)^\gamma$) e ajustam quatro parâmetros de transformação ($\tau_0, \tau_1, \nu, \sigma^2_F$) para reproduzir a evolução do fluxo médio observada no DESI Data Release 1 (DR1). Isso é alcançado minimizando uma função de custo de mínimos quadrados ponderada que compara o fluxo médio analítico derivado da transformação lognormal com os dados observacionais alvo.

O pipeline de geração envolve a criação de uma grade de velocidade Gaussiana 1D aleatória, a aplicação do $P_G(k, z)$ derivado dependente do redshift, a evolução do campo com um fator de redshift $a(z)$, a aplicação de uma transformação lognormal ao quadrado para aproximar a não-gaussianidade e, finalmente, a conversão para profundidade óptica e fluxo transmitido.

Resultos Principais
Os autores validaram o arcabouço gerando 1.000 realizações independentes de linha de visada através da faixa de redshift do DESI EDR ($2.0 \le z \le 3.8$). Os resultados demonstram:

• Precisão do Fluxo Médio: Os mocks recuperam a evolução do fluxo transmitido médio com precisão sub-percentual. Através de toda a faixa de redshift do DESI EDR, o erro fracional de raiz do quadrado médio (RMS) é de 0,002, com um desvio máximo de 0,5% nas fronteiras de redshift.
• Recuperação do Espectro de Potência: O método reproduz a forma e a amplitude do $P_{1D}$ com alta fidelidade. Sobre a faixa de $k$ do DESI EDR ($0.00075 \le k \lesssim 0.035 \text{ s km}^{-1}$), o erro fracional RMS médio é de 0,02. Isso representa uma melhoria significativa sobre o método anterior (Karaçaylı et al. 2020), que apresentava um erro de 0,10 na mesma faixa.
• Escalabilidade: O arcabouço mantém um desempenho robusto em escalas estendidas ($10^{-5} \le k \lesssim 0.1 \text{ s km}^{-1}$), onde o erro RMS fracional permanece em 0,11, uma melhoria dramática em relação ao erro de 18,15 do método anterior. O desvio máximo para o novo método nesta ampla faixa é inferior a 40%, comparado aos 300% do método anterior.
• Convergência: Uma análise de convergência indica que 1.000 realizações são suficientes para que o erro fracional RMS se aproxime assintoticamente de um valor constante, garantindo estabilidade estatística para testes de validação.

Significância e Alegações
O artigo afirma que este arcabouço lognormal aprimorado fornece uma alternativa computacionalmente eficiente e analiticamente tratável às simulações hidrodinâmicas para gerar grandes volumes de espectros sintéticos. Ao desacoplar a modelagem da amplitude do fluxo médio das correlações detalhadas do fluxo e resolver diretamente pelo espectro de potência Gaussiano de entrada, o método oferece um controle superior sobre os observáveis alvo.

Os autores enfatizam que, embora estes mocks não sejam destinados à inferência cosmológica total (pois não modelam a física subjacente a partir de primeiros princípios), eles são bem adequados para:

• Validar pipelines de análise e quantificar efeitos sistemáticos (por exemplo, ruído, resolução, ajuste de contínuo).
• Apoiar medições de $P_{1D}$ usando estimadores baseados em FFT e de verossimilhança (likelihood) nos atuais e futuros lançamentos de dados do DESI.
• Permitir estudos controlados de contaminantes astrofísicos (por exemplo, sistemas de Lyman-$\alpha$ amortecidos, Linhas de Absorção Largas) quando combinados com ferramentas como o quickquasars.

Este trabalho estabelece uma base para análises de ponta a ponta onde emuladores ou saídas de simulações podem servir como entradas diretas para a geração de mocks lognormais, unindo modelos teóricos e inferência observacional com propriedades estatísticas precisas. Os autores observam que refinamentos futuros, como o ajuste conjunto do fluxo médio e do $P_{1D}$ para lidar melhor com as dependências de variância, poderiam aumentar ainda mais a utilidade do arcabouço.