Foreground removal in HI 21 cm intensity mapping under frequency-dependent beam distortions

Resumo Técnico: Remoção de foreground em mapeamento de intensidade de HI sob distorções de feixe dependentes da frequência

Enunciado do Problema
O mapeamento de intensidade de hidrogênio neutro (HI) é uma sonda primária para a cosmologia na época pós-reionização, oferecendo uma visão tomográfica do Universo. No entanto, a extração do fraco sinal de HI é severamente desafiada por foregrounds astrofísicos (síncrotron, free-free e fontes pontuais) que são até cinco ordens de magnitude mais brilhantes. Embora métodos de Separação Cega de Fontes (BSS) e de ajuste de modelos tenham mostrado promessa, eles tipicamente assumem um feixe simplificado, independente da frequência, ou uma resolução degradada uniforme. Instrumentos realistas, como o MeerKAT, exibem distorções de feixe dependentes da frequência, incluindo variações não suaves (oscilatórias) na Largura Total à Meia Altura (FWHM). Esses efeitos instrumentais acoplam-se aos foregrounds para criar características espectrais artificiais que mimetizam o sinal cosmológico, degradando o desempenho das técnicas de separação padrão.

Metodologia
Os autores avaliam o desempenho de várias técnicas de remoção de foreground utilizando dados simulados de mapeamento de intensidade de HI cobrindo a faixa de 900–1400 MHz, relevante para o MeerKAT e SKA-Mid. As simulações incluem sinais de HI cosmológicos realistas (baseados em CRIME), foregrounds galácticos (usando modelos PySM3 para síncrotron e free-free) e fontes pontuais extragalácticas, todos convolvidos com feixes de telescópio e contaminados com ruído térmico.

Três modelos de feixe foram testados para aumentar progressivamente o realismo:

1. Gaussiano Degradado: Uma resolução uniforme alcançada através do suavizamento de todos os canais para a pior resolução.
2. Gaussiano Evolutivo: Um feixe onde a FWHM varia naturalmente com a frequência.
3. Gaussiano Oscilatório: Um modelo realista incorporando um termo oscilatório na evolução da FWHM, mimetizando o comportamento observado do feixe do MeerKAT.

O estudo compara duas categorias de métodos:

• Ajuste de Modelo (Model-fitting): Ajuste polinomial (6ª ordem) e ajuste paramétrico (modelando free-free e síncrotron com índices espectrais fixos/livres).
• Separação Cega de Fontes (BSS): Análise de Componentes Principais (PCA), Fast Independent Component Analysis (FastICA), Generalized Morphological Component Analysis (GMCA) e o proposto SDecGMCA.

Abordagem SDecGMCA
O artigo introduz a aplicação do SDecGMCA (Spherical DecGMCA) ao mapeamento de intensidade de HI. Diferente da BSS padrão que assume uma mistura linear $X = AS$, o SDecGMCA aborda o feixe dependente da frequência resolvendo um problema conjunto de deconvolução e separação de fontes no domínio dos harmônicos esféricos. O modelo é formulado como $\hat{X}_{\ell m}^\nu = \hat{H}_\ell^\nu A_\nu \hat{S}_{\ell m} + \hat{N}_{\ell m}^\nu$, onde $\hat{H}_\ell^\nu$ é a função de transferência do feixe. O algoritmo estima iterativamente os mapas de fontes e a matriz de mistura, impondo esparsidade no domínio wavelet (starlet) e fidelidade de dados no espaço harmônico.

Resultos Principais

• Feixe Uniforme: Sob o modelo "Gaussiano degradado", todos os métodos (ajuste e BSS) apresentam bom desempenho, recuperando os espectros de potência angular e de frequência com precisão superior a 10% na maioria das escalas.
• Feixe Evolutivo: O desempenho diverge. O ajuste paramétrico falha completamente. O GMCA degrada em escalas intermediárias devido à interrupção da coerência espacial. PCA, FastICA e SDecGMCA mantêm a precisão, embora os métodos BSS lutem para separar totalmente as distorções dependentes da escala em grandes escalas de frequência ($k_\nu < 0.1$).
• Feixe Oscilatório: Este é o cenário mais desafiador. Tanto o ajuste polinomial quanto o paramétrico falham catastroficamente, produzindo espectros de potência altamente enviesados. Entre os métodos BSS, o SDecGMCA é a única técnica capaz de recuperar o sinal de HI com precisão $\lesssim 5\%$ em escalas angulares intermediárias ($10 < \ell < 200$). Crucialmente, o SDecGMCA suprime um pico espectral espúrio em $k_\nu \sim 0.3$ (atribuído ao acoplamento feixe-foreground) que persiste no PCA, FastICA e GMCA.
• Limitações: Todos os métodos, incluindo o SDecGMCA, exibem instabilidade e picos espúrios em multipolos altos ($\ell > 200$) devido à instabilidade intrínseca da inversão do feixe. Adicionalmente, um excesso em grande escala ($\ell < 10$) é observado no caso do feixe oscilatório, provavelmente decorrente de artefatos de pré-processamento relacionados ao mascaramento de fontes de HI brilhantes.
• Estratégias de Mascaramento: O estudo demonstra que o mascaramento de regiões galácticas brilhantes (seja via pós-processamento ou simulando o enfraquecimento do plano galáctico) melhora significativamente a fidelidade da reconstrução. O SDecGMCA beneficia-se mais desta estratégia, mostrando melhor recuperação em baixos multipolos e maior supressão do pico espúrio.
• Hiperparâmetros: O número de fontes ($n_s$) é identificado como um hiperparâmetro crítico. Encontra-se um intervalo ótimo de $n_s \approx 5-7$ para equilibrar o subajuste (underfitting) e o sobreajuste (overfitting) para o caso do feixe oscilatório.

Significância e Alegações
O artigo estabelece que métodos simples de ajuste e técnicas BSS padrão são insuficientes quando consideradas as distorções de feixe realistas e dependentes da frequência. Ele posiciona o SDecGMCA como uma abordagem particularmente promissora para futuros levantamentos de mapeamento de intensidade de lâmina única devido ao fato de ele considerar explicitamente a resposta do instrumento durante o processo de separação.

Os autores alegam que o SDecGMCA fornece reconstruções robustas em harmônicos esféricos do espectro de potência de HI mesmo sob condições de feixe complexas e sem pré-mascaramento. No entanto, eles permanecem modestos quanto às limitações atuais: o método ainda requer ajuste cuidadoso de hiperparâmetros (especificamente $n_s$ e regularização), e a instabilidade intrínseca da inversão do feixe limita a reconstrução confiável a $\ell \lesssim 200$. O artigo conclui que, embora o SDecGMCA seja um passo significativo à frente, o trabalho futuro deve focar na integração de estratégias de mascaramento diretamente no framework, no desenvolvimento de diagnósticos baseados em dados para seleção de hiperparâmetros e no refinamento de esquemas de limiarização para aumentar ainda mais o desempenho.