Controlled Tension Forecasting: Quantifying Cross-Probe Biases in $\omega_0\omega_a$CDM

Problema

Análises recentes combinando o BAO (Oscilações Acústicas de Bárions) do DESI DR2, priors de distância comprimidos da CMB (Radiação Cósmica de Fundo) do Planck e Supernovas (SNe) do Pantheon+ relataram desvios leves do modelo padrão $\Lambda$CDM, frequentemente interpretados como evidência de energia escura dinâmica (DDE) dentro da parametrização de Chevallier–Polarski–Linder (CPL) ($\omega_0, \omega_a$). No entanto, um desafio central permanece: determinar se esses desvios refletem uma evolução genuína da energia escura ou se surgem de inconsistências entre sondas (cross-probe), escolhas de priors ou descasamentos na construção da verossimilhança (likelihood). Trabalhos anteriores mostraram que priors enviesados em $\Omega_{m0}$ ou geometrias de degenerescência divergentes entre as sondas podem deslocar artificialmente os parâmetros inferidos da expectativa do $\Lambda$CDM. Este artigo aborda a necessidade de um framework transparente para quantificar como inconsistências específicas entre sondas se propagam em parâmetros de energia escura ($\omega_0, \omega_a, \omega_p$) dentro de um pipeline de inferência unificado.

Metodologia

Os autores desenvolvem um framework de injeção de tensão controlada usando conjuntos de dados fictícios (mocks) autoconsistentes gerados a partir de uma cosmologia plana fiducial $\Lambda$CDM ($\Omega_{m0}=0.30, H_0=70, \omega_0=-1, \omega_a=0$). A metodologia baseia-se nos seguintes componentes:

1. Geração de Mocks:

   • BAO: Razões de distância $D_M(z)/r_d$ e $D_H(z)/r_d$ nos redshifts efetivos do DESI, utilizando matrizes de covariância do DESI DR2.
   • CMB: Priors de distância comprimidos $\{R, \ell_A, \omega_b\}$ calibrados às restrições do Planck-2018.
   • SNe: Dados do diagrama de Hubble do tipo Pantheon+ com covariâncias estatísticas e sistemáticas completas.
   • Os mocks são extraídos de distribuições normais multivariadas para reproduzir as propriedades estatísticas dos levantamentos.

2. Esquema de Injeção de Tensão:
   O framework introduz descompassos parametrizados (tensões) em mocks que, de outra forma, seriam consistentes. Estes são implementados via três modos:

   • Nível de dados: Modificando previsões teóricas (ex: deslocando o zero-point das SNe $\Delta M$, o horizonte sonoro do BAO $\Delta r_d$ ou as razões de distância).
   • Nível de prior: Aplicando priors externos enviesados (ex: deslocando $\Omega_{m0}$).
   • Híbrido: Combinando offsets de dados e de prior para simular conflitos complexos entre múltiplas sondas.
     O vetor de tensão primário considerado é $\Delta t = (\Delta \Omega_{m0}, \Delta H_0, \Delta M, \Delta r_d)$.

3. Pipeline de Análise:

   • Um pipeline unificado de Monte Carlo via Cadeias de Markov (MCMC) (usando emcee) analisa BAO, CMB, SNe e suas combinações.
   • O espaço de parâmetros inclui parâmetros cosmológicos $(\Omega_{m0}, H_0, \omega_0, \omega_a, r_d)$ e parâmetros de perturbação (nuisance) ($M, \Delta M(z)$).
   • Assume-se que as verossimilhanças são Gaussianas nos vetores de dados comprimidos.
   • Análise de Matriz de Fisher: Utilizada para derivar estimativas de viés de resposta linear ($\Delta \theta \approx F^{-1} \nabla \chi^2$) para complementar os resultados de MCMC e mapear as relações tensão-viés.

4. Execuções Experimentais:
   São conduzidas sete execuções específicas:

   • Run 1: Linha de base sem tensão (valida o pipeline).
   • Run 2: Tensão de $H_0$ nas SNe via deslocamento de zero-point ($\Delta M \neq 0$).
   • Run 3: Tensão de $\Omega_{m0}$ no BAO via distorção de razão de distância.
   • Run 4: Tensão da escala acústica da CMB via prior de distância de baixo $H_0$.
   • Run 5: Tensões BAO–CMB em direções opostas.
   • Run 6: Erro de calibração do âncora das SNe (deslocamento sutil de zero-point).
   • Run 7: Tensão sistemática combinada de múltiplas sondas (offsets simultâneos de BAO e CMB).

Principais Resultados

1. Consistência de Linha de Base (Run 1):
   Na ausência de tensões injetadas, a análise conjunta BAO+CMB+SNe recupera os parâmetros fiduciais do $\Lambda$CDM dentro de $1\sigma$, confirmando a consistência interna dos conjuntos de dados mock e a validade do pipeline.

2. Assinaturas de Viés Específicas por Sonda:

   • Tensão de SNe (Run 2): Um deslocamento de zero-point das SNe favorecendo um $H_0$ mais alto ($\Delta M < 0$) força o posterior conjunto a se deslocar ao longo da direção de degenerescência BAO+CMB (menor $H_0$, maior $\Omega_{m0}$, $\omega_0 > -1, \omega_a > 0$). As restrições de BAO e CMB dominam sobre a preferência das SNe, produzindo um deslocamento aparente do tipo quintessência, apesar de a tensão se originar nas SNe.
   • Tensão de BAO (Run 3): Uma preferência de BAO por um $\Omega_{m0}$ menor impulsiona o posterior conjunto em direção a $\omega_0 < -1$ e $\omega_a > 0$ (tipo fantasma), ilustrando como distorções específicas do BAO podem mimetizar DDE.
   • Tensão de CMB (Run 4): Uma preferência da CMB por um $H_0$ menor induz um forte deslocamento do tipo fantasma ($\omega_0 < -1, \omega_a > 0$) e um grande redshift de pivô ($z_p \approx 0$), pois o ajuste compensa a inconsistência da escala acústica via evolução tardia rápida.
   • Tensões Opostas (Run 5): Quando as tensões de BAO e CMB puxam em direções quase ortogonais, o posterior conjunto representa um compromisso, resultando em um deslocamento do tipo fantasma que é mais suave do que na Run 4 devido a um cancelamento parcial.
   • Tensões Combinadas (Run 7): Tensões simultâneas de BAO ($\Omega_{m0}$) e CMB ($H_0$) produzem o maior desvio do $\Lambda$CDM. Os parâmetros CPL movem-se profundamente para o regime fantasma ($\omega_0 \approx -1.2, \omega_a \approx 1.1$), e o redshift de pivô desloca-se anomaliamente para $z_p \approx 1.6$, indicando uma perda de coerência geométrica onde o pivô fica fora do poder de restrição de qualquer sonda individual.

3. Funções de Transferência Tensão–Viés:

   • Relações 1D: Os autores derivam mapeamentos lineares empíricos entre tensões injetadas ($\Delta \Omega_{m0}, \Delta H_0, \Delta M$) e deslocamentos de posterior. Estes funcionam bem para tensões isoladas e pequenas.
   • Mapas 2D: Quando múltiplas tensões atuam simultaneamente, a resposta torna-se altamente não linear e anisotrópica. Os mapas 2D revelam que $\Delta \Omega_{m0}$ e $\Delta H_0$ se misturam de forma não separável, criando cristas curvas no plano $(\omega_0, \omega_a)$.
   • Limitações: As funções de transferência lineares 1D falham em prever a magnitude dos deslocamentos para tensões grandes e realistas (ex: DESI DR2 + CMB) porque não contabilizam a forte curvatura da degenerescência da escala acústica da CMB e a mistura não linear dos vetores de tensão.

Significância e Alegações

O artigo posiciona-se explicitamente como uma ferramenta de diagnóstico e ilustração, e não como um motor de previsão de precisão para dados reais. Suas principais contribuições e alegações são:

• Demonstração de DDE Espúria: O framework demonstra que assinaturas aparentes de energia escura dinâmica (deslocamentos em $\omega_0, \omega_a$) podem emergir puramente de inconsistências entre sondas em um universo mock gerado a partir de um $\Lambda$CDM exato.
• Origem Geométrica do Viés: Os resultados destacam que a direção e a magnitude dos vieses inferidos são determinadas pela geometria de degenerescência das sondas. O posterior conjunto frequentemente segue a crista de degenerescência mais "íngreme" ou restritiva (tipicamente BAO+CMB), em vez da direção da tensão injetada.
• Papel da Parametrização: Os autores enfatizam que estes resultados são específicos da parametrização CPL e do uso de priors de CMB comprimidos. O comportamento aparente de DDE é um efeito de projeção dentro desta base específica; diferentes parametrizações produziriam diferentes direções de viés.
• Utilidade Diagnóstica: O framework fornece um método reproduzível para testar a robustez de pipelines de inferência. Ele permite que pesquisadores identifiquem quais combinações de sondas e direções de degenerescência são mais vulneráveis a vieses induzidos por tensão antes de tirarem conclusões físicas de anomalias observacionais.
• Modéstia sobre Dados Reais: Os autores alertam que as funções de transferência específicas derivadas aqui não são independentes de parametrização e não devem ser usadas como um substituto direto para análises de verossimilhança total de dados atuais. O trabalho serve para esclarecer como as inconsistências se propagam geometricamente, em vez de quantificar a magnitude exata dos efeitos em conjuntos de dados observacionais específicos.

Em resumo, o artigo argumenta que interpretar desvios do $\Lambda$CDM requer a sincronização cuidadosa das calibrações absolutas entre as sondas, pois até mesmo descompassos modestos entre sondas podem ser absorvidos por parametrizações tardias flexíveis, mimetizando as assinaturas de energia escura dinâmica.