Beyond power spectrum to unveil systematics on HI intensity maps

Resumo Técnico: Além do Espectro de Potência para Revelar Sistemáticas em Mapas de Intensidade de Hi

Declaração do Problema
O mapeamento de intensidade do hidrogênio neutro (Hi) é uma técnica primária para sondar a estrutura em grande escala, particularmente em redshifts intermediários ($z < 1$), onde a evolução gravitacional não linear torna a distribuição de matéria fortemente não gaussiana. Tradicionalmente, a informação cosmológica dessas pesquisas é extraída usando o espectro de potência angular ($C_\ell$), uma estatística de dois pontos que captura efetivamente características gaussianas, mas descarta correlações de ordem superior. Em redshifts como $z \approx 0.425$ (o alvo das observações de banda L do MeerKLASS), o sinal de Hi é dominado por estruturas não lineares (filamentos, aglomerados, vazios) que o $C_\ell$ não consegue caracterizar plenamente. Além disso, sistemáticas observacionais — incluindo o alisamento do feixe do telescópio, cobertura parcial do céu (mascaramento), ruído instrumental e resíduos de foregrounds (sincrotron galáctico, fontes pontuais extragalácticas) — podem enviesar análises padrão. O artigo aborda a necessidade de estatísticas de resumo que possam capturar informações não gaussianas e permanecer robustas contra essas sistemáticas para melhorar a inferência de parâmetros cosmológicos.

Metodologia
Os autores empregam um framework de inferência baseada em simulação (SBI) usando a biblioteca JaxILI para realizar inferência bayesiana livre de verossimilhança.

• Simulações: Eles geraram 10.000 mapas de temperatura de brilho do Hi em todo o céu em $z = 0.425$ usando os frameworks GLASS e CAMB. Esses mapas modelam campos de matéria lognormais ponderados pelo viés do Hi dependente do redshift e pela temperatura média de brilho.
• Efeitos Observacionais: As simulações incorporam condições observacionais realistas:
  • Feixe: Convolução com feixes gaussianos (1,34° para configurações semelhantes ao telescópio de prato único MeerKLASS e 0,5° para futuras configurações interferométricas).
  • Mascaramento: Aplicação de máscaras binárias representando frações do céu ($f_{sky}$) de 0,60, 0,19 e 0,014.
  • Ruído: Adição de ruído térmico gaussiano não correlacionado baseada na temperatura do sistema e tempo de integração.
  • Sistemáticas: Modelos de brinquedo controlados para padrões de listras multiplicativos e aditivos (artefatos de varredura), resíduos de sincrotron galáctico, resíduos de fontes pontuais extragalácticas e padrões de varredura em forma de X.
• Estatísticas de Resumo: Duas estatísticas foram extraídas e comparadas:
  1. Espectro de Potência Angular ($C_\ell$): Computado a partir de coeficientes harmônicos esféricos, excluindo multipolos baixos ($\ell < 10$) para mitigar sistemáticas.
  2. Norma $\ell_1$ de Starlet: Uma estatística de ordem superior e multi-escala baseada na transformada wavelet não decimada isotrópica (starlet). O mapa é decomposto em coeficientes wavelet através de múltiplas escalas ($J=5$ e $J=8$), normalizado e agrupado no espaço de sinal-para-ruído. A norma $\ell_1$ desses coeficientes quantifica a esparsidade e a força das características não gaussianas.
• Inferência: Um estimador de densidade neural condicional (fluxo autoregressivo mascarado) foi treinado nos pares de simulação (parâmetros $\theta = \{\Omega_c, h, A_s\}$, estatísticas de resumo $x$) para aproximar a posteriori $p(\theta|x)$.

Principais Contribuições

1. Extensão da Norma $\ell_1$ de Starlet: O artigo adapta a norma $\ell_1$ de starlet, anteriormente bem-sucedida em lentes gravitacionais fracas, para o mapeamento de intensidade de Hi, demonstrando sua eficácia em capturar informações não gaussianas no campo de temperatura de brilho de 21 cm.
2. Análise de Robustidade a Sistemáticas: O estudo fornece uma avaliação abrangente de como tanto o $C_\ell$ quanto a norma $\ell_1$ de starlet se comportam sob vários efeitos sistemáticos (feixe, mascaramento, ruído, listras e resíduos de foregrounds).
3. Capacidade Diagnóstica: Os autores demonstram que a norma $\ell_1$ de starlet pode distinguir entre diferentes tipos de resíduos de foregrounds (sincrotron galáctico vs. fontes pontuais extragalácticas) e detectar a presença de contaminação residual, atuando como uma ferramenta de diagnóstico.
4. Eficiência: O trabalho destaca as vantagens computacionais e ambientais da SBI com estatísticas de resumo compactas (a norma $\ell_1$ de starlet usa significativamente menos pontos de dados do que o vetor completo de $C_\ell$) sobre os métodos tradicionais de MCMC.

Resultados

• Restrições Cosmológicas: A norma $\ell_1$ de starlet supera consistentemente o espectro de potência angular na restrição de parâmetros cosmológicos ($\Omega_c$, $h$, $A_s$).
  • Em um cenário sem ruído e de todo o céu, a norma $\ell_1$ de starlet melhora a Figura de Mérito (FoM) por um fator de 1,59 sobre o $C_\ell$.
  • Em cenários realistas com um feixe de 0,5° e ruído instrumental, aumentar o número de escalas de starlet de 5 para 8 resulta em uma melhoria de 2,81× na FoM em relação ao $C_\ell$.
• Robustez a Sistemáticas:
  • Feixe e Mascaramento: Enquanto o alisamento do feixe degrada significativamente o $C_\ell$ ao suprimir o poder em pequenas escalas, a norma $\ell_1$ de starlet permanece robusta, mantendo a sensibilidade ao contraste estrutural através das escalas. Ela também mantém o desempenho sob mascaramento forte ($f_{sky}=0,014$), onde o $C_\ell$ sofre com o acoplamento de modos.
  • Listras e Varredura: A norma $\ell_1$ de starlet é amplamente insensível a padrões de listras multiplicativos e aditivos e a artefatos de varredura em forma de X, enquanto o $C_\ell$ exibe fortes vieses e um apertamento artificial das posteriors.
  • Resíduos de Foregrounds: A norma $\ell_1$ de starlet mostra maior sensibilidade à contaminação residual do que o $C_\ell$. Embora isso introduza um viés leve em altos níveis de contaminação, permite que a estatística diferencie entre resíduos de sincrotron e de fontes pontuais, uma tarefa que o $C_\ell$ não consegue realizar.
• Degenerescências de Parâmetros: A abordagem com starlet levanta degenerescências entre parâmetros (particularmente $h$, que é fracamente restrito pelo $C_\ell$) ao utilizar informações não gaussianas.

Significado
O artigo conclui que estatísticas de ordem superior e multi-escala, como a norma $\ell_1$ de starlet, são complementos essenciais às análises de dois pontos tradicionais para o mapeamento de intensidade de Hi. Ao capturar características não gaussianas perdidas pelo espectro de potência, a norma $\ell_1$ de starlet melhora significativamente a inferência cosmológica, particularmente no regime não linear ($z < 1$). Sua robustez demonstrada contra sistemáticas observacionais complexas e sua capacidade de servir como diagnóstico para resíduos de foregrounds tornam-na uma ferramenta promissora para pesquisas atuais como o MeerKLASS e futuras pesquisas de grande volume, como o Observatório SKA (SKAO). O trabalho defende a adoção de inferência baseada em simulação com tais estatísticas para maximizar o retorno científico dos dados futuros de mapeamento de intensidade de Hi.