Mujic{\Lambda}: Reconstructing Initial Conditions from Incomplete Redshift Surveys with Projected Optimization

1. Declaração do Problema

A reconstrução das condições iniciais (ICs) e do campo de densidade subjacente a partir de levantamentos realistas de desvio para o vermelho de galáxias é um desafio crítico na cosmologia. Embora os métodos de amostragem bayesiana (por exemplo, BORG, ELUCID) ofereçam quantificação robusta de incertezas, eles são computacionalmente caros. Por outro lado, os métodos baseados em otimização (por exemplo, estimativa MAP) são mais rápidos, mas sofrem de instabilidade significativa quando aplicados a dados realistas devido a:

• Incompletude do Levantamento: Levantamentos reais possuem funções de seleção complexas e cobertura incompleta do céu, tornando o problema inverso altamente subconstrangido.
• Especificação Incorreta do Modelo: Suposições simplificadas em modelos forward (por exemplo, viés de galáxia) podem levar otimizadores a "hacking de recompensa", onde a solução minimiza a função de perda desviando-se da realidade física (por exemplo, produzindo campos não gaussianos) em vez de recuperar o campo linear verdadeiro.
• Violação da Gaussianidade: Otimizadores padrão frequentemente falham em manter a priori gaussiana das condições iniciais, levando a reconstruções não físicas que divergem da cosmologia $\Lambda$CDM.

2. Metodologia: Framework MujicΛ

Os autores introduzem o MujicΛ (Mapeamento do Universo com Reconstrução de Condições Iniciais Baseada em Jax), um framework baseado em otimização projetado para reconstruir ICs enquanto impõe estritamente a gaussianidade e a robustez à geometria do levantamento.

A. Modelo Forward

O MujicΛ utiliza um modelo forward diferenciável ($M_\theta$) que mapeia condições iniciais para contagens de galáxias observadas:

1. Condições Iniciais: Reparametrizadas como variáveis gaussianas complexas $\tilde{\delta}_{ic} \sim \mathcal{CN}(0, 1)$.
2. Formação de Estrutura: Utiliza o JaxPM, um solver de N-corpos partícula-malha diferenciável, para evoluir o campo de $z=9$ até o dia atual ($z=0$) usando passos 2LPT e FastPM.
3. Efeitos Observacionais: Incorpora efeitos de cone de luz, Distorções no Espaço de Desvio para o Vermelho (RSD) e um modelo de viés de galáxia (viés de lei de potência com um corte suave).
4. Resposta do Levantamento: Modela explicitamente a incompletude do levantamento através de uma função de resposta $R$, que atua como uma máscara na densidade de galáxias prevista.
5. Verossimilhança: Assume uma distribuição de Poisson para contagens de galáxias em células da malha, otimizando a log-verossimilhança $\mathcal{L}$.

B. Estratégia de Otimização Aumentada

Diferentemente das abordagens padrão de Máxima A Posteriori (MAP), o MujicΛ otimiza a verossimilhança sujeita a restrições que impõem a priori gaussiana. Emprega dois mecanismos-chave:

1. L-BFGS Projetado (PGD):

   • Utiliza o algoritmo Limited-memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) para otimização eficiente em grande escala.
   • Operador de Projeção: Após cada passo de gradiente, a solução é projetada de volta para o conjunto viável de condições iniciais gaussianas. Isso envolve:
     • Normalização Z-score: Impõe média zero e desvio padrão unitário.
     • Recorte/Reajuste: Reajusta valores extremos (outliers) que excedem um limiar ($s_{th}=10$) para amostragens gaussianas aleatórias, prevenindo divergências não físicas.

2. Correspondência de Ordem de Ranks:

   • Aplicada periodicamente durante a otimização tanto no espaço real quanto no espaço de Fourier (dentro de faixas específicas de $k$).
   • Mecanismo: O algoritmo classifica os valores atuais do campo e os substitui por valores extraídos da distribuição gaussiana alvo, preservando a ordem de rank original.
   • Propósito: Isso atua como uma "projeção generalizada" que impõe estritamente a função de densidade de probabilidade (PDF) completa da priori, corrigindo desvios que o operador de projeção possa perder. Também ajuda o otimizador a escapar de mínimos locais.

C. Estratégia de Treinamento

Para acelerar a convergência, os autores utilizam uma estratégia de annealing:

• Primeiro, é realizada uma reconstrução de baixa resolução ($4 \text{ cMpc}/h$).
• O campo resultante serve como chute inicial para a execução de resolução total ($1.95 \text{ cMpc}/h$).
• A correspondência de ordem de ranks é aplicada a cada 5 iterações (baixa resolução) e a cada 20 iterações (alta resolução).

3. Contribuições Principais

• Framework de Otimização Inovador: O MujicΛ é um dos poucos códigos baseados em otimização que mantém explicitamente a gaussianidade das condições iniciais enquanto modela efeitos realistas de levantamentos (incompletude, funções de seleção) até escalas de megaparsec.
• Robustez à Incompletude: Ao combinar operadores de projeção com correspondência de ordem de ranks, o método impede que o otimizador diverja em regiões com cobertura de dados pobre (fora da máscara do levantamento).
• Pipeline Diferenciável: A integração do JaxPM permite diferenciabilidade ponta a ponta, permitindo otimização baseada em gradiente eficiente com modelos forward complexos.
• Recuperação da Teia Cósmica: O framework recupera com sucesso a topologia da teia cósmica (vazios, folhas, filamentos, nós) apesar da natureza subconstrangida do problema.

4. Resultados

O método foi validado usando um catálogo de cone de luz simulado derivado da simulação Millennium (modelo semi-analítico H15) com uma geometria de levantamento imitando um levantamento espectroscópico de amplo campo ($0.07 < z < 0.22$, corte angular de $20^\circ$).

• Preservação da Gaussianidade: Histogramas das condições iniciais reconstruídas tanto no espaço real quanto no espaço de Fourier alinham-se perfeitamente com uma distribuição gaussiana, ao contrário do L-BFGS padrão que produz outliers não gaussianos.
• Reconstrução do Campo de Densidade:
  • Visual: O campo de densidade reconstruído recupera com precisão protocúmulos massivos e estruturas filamentares dentro da janela do levantamento.
  • Quantitativo:
    • O coeficiente de correlação ($r_c$) entre a verdade e a reconstrução é 0.54 no alisamento de $2 \text{ cMpc}/h$ e 0.78 em $8 \text{ cMpc}/h$.
    • Na janela do levantamento, $r_c$ permanece alto ($>0.8$) até $k \approx 0.1 \text{ h/cMpc}$.
    • Fora da janela do levantamento, o campo permanece não correlacionado com a verdade (como esperado), demonstrando que o método não alucina estruturas em regiões não observadas.
• Espectros de Potência: O espectro de potência da matéria reconstruído ($P_{mm}$) coincide com a verdade dentro de 0.3 dex até $k = 1 \text{ h/cMpc}$.
• Classificação da Teia Cósmica:
  • Recuperação de Vazios/Folhas: $\sim60\%$ dos vazios e folhas são classificados corretamente.
  • Recuperação de Filamentos/Nós: Menor precisão; filamentos são frequentemente mal classificados como folhas devido à recuperação imperfeita de picos de alta densidade.
  • Recuperação de Autovetores: Os autovetores do tensor de deformação (cruciais para estudos de alinhamento intrínseco) mostram altas taxas de recuperação, com $>70\%$ dos voxels tendo $|\cos \theta| > 0.6$ para o maior autovalor.

5. Significado e Aplicações Futuras

• Levantamentos de Próxima Geração: O MujicΛ é especificamente adaptado para futuros levantamentos de grande escala como Subaru PFS, DESI, Euclid e Roman, que apresentam geometrias complexas e cobertura incompleta do céu.
• Simulações Constraindas: As ICs reconstruídas podem servir como chutes iniciais de alta qualidade para amostradores bayesianos (por exemplo, MaiGO), acelerando significativamente a convergência para inferência em nível de campo.
• Estudos de Evolução de Galáxias: Ao fornecer um campo de densidade 3D e classificação da teia cósmica, o MujicΛ permite estudos ambientais da evolução de galáxias e do meio intergaláctico (IGM).
• Escalabilidade: O framework é modular e pode incorporar modelos forward mais sofisticados (por exemplo, viés lagrangiano, gradientes de redes neurais) e dados de múltiplos traçadores (por exemplo, floresta Lyman-$\alpha$, FRBs) em iterações futuras.

Em resumo, o MujicΛ preenche a lacuna entre a velocidade dos métodos baseados em otimização e a fidelidade física necessária para análise cosmológica realista, oferecendo uma ferramenta robusta para decodificar a teia cósmica a partir de dados observacionais incompletos.