Smokescreen: A Python package for data vector blinding and encryption in cosmological analyses

Resumo Técnico: Smokescreen

1. O Problema
As análises cosmológicas modernas enfrentam um desafio fundamental: a prevenção de viés do experimentador (experimenter bias). Diferente de outros campos da física onde se pode repetir experimentos ou esconder regiões específicas de dados, a cosmologia lida com um único Universo observável e sinais estatísticos distribuídos (como funções de correlação ou espectros de potência), sem uma "região de sinal" clara para ocultar.
Sem estratégias robustas de "cegueira" (blinding), os analistas correm o risco de ajustar inconscientemente suas pipelines para obter resultados esperados ou consistentes com outros experimentos, comprometendo a integridade científica. Métodos anteriores de cegueira eram frequentemente ad hoc, difíceis de reutilizar ou não garantiam que o modelo teórico usado para a cegueira fosse idêntico ao usado para a inferência final.

2. Metodologia
O Smokescreen é uma biblioteca Python de código aberto projetada para realizar o "cegamento" (blinding) de vetores de dados em análises cosmológicas. A metodologia central baseia-se em três pilares:

• Deslocamento Dependente da Cosmologia: O pacote aplica deslocamentos ao vetor de dados observado ($d_{obs}$) baseados na diferença entre as previsões teóricas de uma cosmologia de referência ($\theta_{ref}$) e uma cosmologia "cega" aleatória ($\theta_{blind}$).
• Integração com Firecrown e SACC: O cálculo dos deslocamentos é feito utilizando a biblioteca de verossimilhança Firecrown aplicada a vetores de dados no formato SACC. Isso garante que o modelo teórico usado para cegar os dados seja exatamente o mesmo usado para a inferência posterior, satisfazendo critérios rigorosos de consistência.
• Criptografia e Segurança: Para prevenir o "descegamento" (unblinding) acidental, o arquivo SACC original contendo a cosmologia verdadeira é criptografado (usando Fernet/AES-128) e o arquivo original é excluído por padrão. As chaves de descriptografia são distribuídas separadamente por um comitê de cegueira.

Algoritmo de Cegamento (5 Passos):

1. Definição de Deslocamento: O usuário especifica distribuições (determinística, uniforme ou Gaussiana) para os parâmetros cosmológicos ($\Delta\theta$).
2. Construção da Cosmologia Cega: $\theta_{blind} = \theta_{ref} + \Delta\theta$.
3. Cálculo de Vetores Teóricos: O Firecrown calcula os vetores teóricos para ambas as cosmologias, mantendo parâmetros de nuisance ($s$) fixos em seus valores de referência.
   • $d_{ref} = T(\theta_{ref}, s_{ref})$
   • $d_{blind} = T(\theta_{blind}, s_{ref})$
4. Fator de Cegamento: Calcula-se um fator aditivo ($f_{add} = d_{blind} - d_{ref}$) ou multiplicativo ($f_{mult} = d_{blind} / d_{ref}$).
5. Aplicação: O fator é aplicado ao vetor de dados medido ($\hat{d} = d_{obs} + f_{add}$ ou $\hat{d} = d_{obs} \cdot f_{mult}$).

3. Principais Contribuições

• Padronização: Oferece a primeira implementação padronizada e de código aberto para cegamento de vetores de dados no ecossistema do LSST Dark Energy Science Collaboration (DESC), eliminando implementações ad hoc.
• Arquitetura Modular: O código é estruturado em torno da classe ConcealDataVector, com separação clara de responsabilidades: perturbação de parâmetros, cálculo de vetores teóricos, segurança de dados e orquestração.
• Validação Física: A biblioteca inclui testes rigorosos (94% de cobertura de código) que verificam não apenas a sintaxe, mas a correção física (ex: verificação de consistência do SACC, cálculo exato dos fatores de cegamento conforme as equações definidas).
• Flexibilidade: Embora desenvolvido para o LSST, é aplicável a qualquer experimento que utilize likelihoods Firecrown e o formato SACC.
• Interface de Usuário: Disponibiliza uma interface de linha de comando (CLI) e suporte a arquivos de configuração YAML para facilitar a integração em pipelines de análise.

4. Resultados e Validação
O artigo demonstra a eficácia do Smokescreen através de uma simulação dos dados do primeiro ano do LSST (LSST Y1) para uma análise de 3×2 pontos (cisalhamento cósmico, lente galáxia-galáxia e agrupamento de galáxias).

• Cenários Testados: Foram geradas duas realizações cegas ("Blind A" e "Blind B") com deslocamentos determinísticos nos parâmetros $A_s$ e $w$.
• Validação Cosmológica: Análises de inferência realizadas sobre os dados cegos mostraram que:
  • As distribuições posteriores (posteriors) deslocaram-se consistentemente em direção às cosmologias cegas inseridas.
  • O ajuste global (goodness-of-fit, $\chi^2_{red}$) permaneceu inalterado, garantindo que a qualidade dos dados não foi degradada artificialmente.
  • A evidência bayesiana ($\log Z$) foi estatisticamente indistinguível entre os casos cegos e o caso verdadeiro, confirmando que os dados cegos são estatisticamente válidos para análise.
• Segurança: O sistema de criptografia e separação de chaves foi validado para garantir que o arquivo original não possa ser acessado sem a autorização do comitê.

5. Significado e Impacto
O Smokescreen representa um avanço crítico para a era das pesquisas cosmológicas de "Stage-IV" (como o LSST).

• Integridade Científica: Ao garantir que a cegueira seja transparente, reprodutível e baseada no mesmo modelo teórico da inferência, o pacote mitiga riscos de viés cognitivo que poderiam invalidar descobertas futuras.
• Adoção Ampa: Além do LSST DESC, o pacote já está sendo adotado por outras colaborações, como o KiDS (Kilo Degree Survey), para suas análises de legado.
• Infraestrutura Comunitária: O projeto estabelece um novo padrão para infraestruturas de cegueira, promovendo práticas mais consistentes, abertas e verificáveis na comunidade de cosmologia observacional.

Em suma, o Smokescreen preenche uma lacuna crítica no software cosmológico, fornecendo uma ferramenta robusta e segura para garantir que os resultados das futuras grandes sondas de energia escura sejam livres de viés humano.