Bayesian power spectrum estimation with modelling of systematic effects in delay-fringe rate space

1. Formulação do Problema

A detecção do sinal de 21 cm deslocado para o vermelho da Época da Reionização (EoR) é dificultada por foregrounds brilhantes (galácticos e extragalácticos) e efeitos sistemáticos instrumentais. Embora os foregrounds sejam espectralmente suaves e tipicamente confinados a uma "cunha de foreground" no espaço de atraso-frequência de franja, imperfeições instrumentais — especificamente reflexões em cabos e acoplamento mútuo — vazam potência de foreground para a "janela EoR" (modos fora da cunha).

• Reflexões em Cabos: Descasamentos de impedância criam cópias atenuadas do sinal em modos de atraso mais altos.
• Acoplamento Mútuo: Interações eletromagnéticas entre elementos de antena criam cópias do sinal em modos de atraso baixos.
• Limitações Atuais: Estratégias tradicionais de mitigação envolvem filtragem (por exemplo, filtragem de frequência de franja) ou mascaramento de modos afetados. Essas abordagens frequentemente resultam em perda de sinal, introduzem correlações espúrias nas estatísticas de ruído e carecem de quantificação rigorosa de incertezas. Além disso, métodos existentes frequentemente tratam sistemáticos como ruído aditivo ou exigem simulações eletromagnéticas computacionalmente caras.

2. Metodologia

Os autores propõem uma abordagem de modelagem direta bayesiana usando um Amostrador de Gibbs (especificamente uma extensão do código hydra-pspec) para inferir conjuntamente o sinal EoR, foregrounds e efeitos sistemáticos.

A. Modelo de Dados

Os dados de visibilidade ($d$) são modelados como um efeito sistemático multiplicativo atuando sobre o sinal do céu ($s = e + f$, onde $e$ é o sinal EoR e $f$ é o foreground), mais ruído ($n$):
$$d = Ys + n$$

• Sistemáticos Multiplicativos ($Y$): Em vez de modelar sistemáticos como um termo aditivo (o que exigiria modelar uma cópia completa do sinal complexo de foreground), os autores os modelam como um fator de ganho multiplicativo.
• Parametrização de Atraso-Frequência de Franja: A matriz de ganho $Y$ é construída no espaço de atraso-frequência de franja. É definida como $y = 1 + H b_{sys}$, onde:
  • $H$ é um operador de projeção de Fourier selecionando um conjunto específico e limitado de modos de atraso-frequência de franja conhecidos por conterem sistemáticos.
  • $b_{sys}$ é um vetor de amplitudes complexas para esses modos.
• Vantagem: Essa abordagem paramétrica reduz drasticamente o número de parâmetros livres em comparação com a modelagem aditiva, pois requer apenas a modelagem dos coeficientes dos modos específicos onde ocorrem as reflexões.

B. O Amostrador de Gibbs

Os autores utilizam um amostrador de Gibbs de Cadeia de Markov Monte Carlo (MCMC) para extrair amostras da distribuição posterior conjunta $p(e, a_{fg}, b_{sys}, E | \text{dados})$. O algoritmo itera através de três distribuições condicionais:

1. Reconstrução de Sinal (Realizações Confinadas Gaussianas - GCR): Amostra o sinal EoR ($e$) e as amplitudes de foreground ($a_{fg}$) dada a estimativa atual de sistemáticos ($b_{sys}$) e o espectro de potência ($E$). Isso envolve resolver equações lineares (filtragem de Wiener) com termos de ruído gaussiano adicionados para gerar realizações em vez de apenas estimativas de Máxima A Posteriori (MAP).
2. Amostragem do Espectro de Potência: Amostra o espectro de potência de atraso EoR ($E$) assumindo uma distribuição Gama Inversa (derivada de uma distribuição Wishart Inversa sob suposições de homogeneidade).
3. Amostragem de Sistemáticos: Amostra os coeficientes de sistemáticos ($b_{sys}$) dadas as estimativas atuais de sinal e foreground, também usando uma abordagem semelhante à filtragem de Wiener com uma priori gaussiana.

3. Contribuições Principais

• Modelagem de Sistemáticos Multiplicativos: Introduziu uma estrutura inovadora para modelar reflexões em cabos e acoplamento mútuo como ganhos multiplicativos no espaço de atraso-frequência de franja, reduzindo significativamente a dimensionalidade do espaço de parâmetros.
• Inferência Bayesiana Conjunta: Integrou o modelo de sistemáticos diretamente no amostrador de Gibbs hydra-pspec, permitindo a marginalização das incertezas de sistemáticos em vez de filtrá-las.
• Quantificação de Incertezas: Forneceu uma estrutura estatística rigorosa para propagar incertezas da modelagem de sistemáticos para as estimativas finais do espectro de potência EoR.
• Estrutura de Simulação: Validou o método em dados simulados semelhantes ao HERA (usando pyuvsim) em três casos de teste distintos representando diferentes localizações de contaminação sistemática no espaço de atraso-frequência de franja.

4. Resultados

O método foi testado em três casos simulados com diferentes localizações de sistemáticos:

• Caso I: Sistemáticos em modos de atraso baixos ($\tau \approx 300-600$ ns) e frequência de franja $f \approx 0$ mHz (sobrepondo-se aos foregrounds).
• Caso II: Sistemáticos em modos de atraso altos ($\tau \approx 1000-1300$ ns) e $f \approx 0$ mHz (separados dos foregrounds).
• Caso III: Sistemáticos em modos de atraso baixos, mas com alta frequência de franja ($f \approx 6$ mHz).

Principais Descobertas:

• Recuperação do Espectro de Potência EoR: O espectro de potência de atraso EoR (DPS) foi recuperado com precisão em todos os três casos, largamente independente da localização dos sistemáticos. O DPS recuperado correspondeu ao sinal verdadeiro dentro dos níveis de ruído, exceto próximo à região dominada por foregrounds.
• Recuperação de Componentes:
  • O Caso II mostrou a melhor recuperação dos parâmetros de sistemáticos e a menor correlação entre foregrounds e sistemáticos.
  • Os Casos I e III exibiram correlações significativas entre os parâmetros de foreground e os parâmetros de sistemáticos. Isso levou a tempos de correlação mais longos na cadeia de Gibbs (Baixa Tamanho de Amostra Efetivo) e algum viés nos coeficientes de sistemáticos recuperados (deslocados em várias desvios padrão).
• Eficiência de Amostragem: A presença de estruturas sobrepostas no espaço de atraso (Caso I) ou modos de atraso compartilhados com diferentes frequências de franja (Caso III) fez com que o amostrador explorasse o espaço de parâmetros de forma ineficiente. O Caso II, onde os sistemáticos estavam bem separados em atraso, convergiu muito mais rápido.
• Resíduos: Os resíduos entre as visibilidade do céu verdadeiras e recuperadas foram geralmente comparáveis ao nível de ruído, embora correlações negativas entre resíduos de EoR e foregrounds tenham sido observadas em grandes escalas devido à falta de modelagem temporal nos foregrounds.

5. Significado e Trabalho Futuro

• Robustez: O estudo demonstra que a marginalização bayesiana de sistemáticos é uma alternativa viável à filtragem agressiva, preservando mais do sinal EoR e fornecendo melhores barras de erro.
• Limitações: O método atualmente requer conhecimento a priori de quais modos de atraso-frequência de franja contêm os sistemáticos. Em dados observacionais reais, identificar esses modos com precisão é não trivial.
• Questões de Correlação: O artigo destaca que correlações fortes entre foregrounds e sistemáticos podem degradar a eficiência de amostragem. Trabalhos futuros sugerem:
  • Impor priores mais fortes se valores aproximados de sistemáticos forem conhecidos.
  • Modelar explicitamente as correlações temporais (LST) dos foregrounds (atualmente tratados como amostras de tempo independentes).
  • Implementar técnicas conjuntas de redimensionamento para quebrar degenerescências no amostrador de Gibbs.

Em conclusão, este trabalho fornece uma ferramenta estatística poderosa para a próxima geração de experimentos de cosmologia de 21 cm (como HERA Fase II e além) para lidar com sistemáticos instrumentais complexos sem sacrificar a relação sinal-ruído através de filtragem.