Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis

Resumo Técnico: Impacto da Verossimilhança Não-Gaussiana nas Restrições Cosmológicas do Espectro de Potência tSZ

Enunciado do Problema
O espectro de potência da emissão térmica de Sunyaev–Zel'dovich (tSZ) é uma sonda primária para parâmetros cosmológicos (especificamente $\sigma_8$ e $\Omega_m$) e astrofísica de aglomerados. No entanto, suas propriedades estatísticas são inerentemente não-gaussianas. Essa não-gaussianidade surge porque o sinal em grandes escalas angulares é dominado por aglomerados de galáxias massivos e de baixo redshift, o que leva a uma distribuição de amostragem com assimetria positiva. Análises cosmológicas padrão, como as da Colaboração Planck, tipicamente assumem uma verossimilhança gaussiana para o espectro de potência. Embora essa aproximação possa ser válida em multipolos elevados, onde as contribuições estão distribuídas sobre muitos aglomerados, ela falha em capturar a assimetria em baixos multipolos ($\ell < 1000$). A falta de um modelo analítico de verossimilhança preciso que capture essas estatísticas não-gaussianas motiva a necessidade de métodos de inferência alternativos para garantir restrições cosmológicas imparciais.

Metodologia
Os autores empregam a Inferência Baseada em Simulação (SBI) para contornar a necessidade de uma função de verossimilhança analítica explícita. O fluxo de trabalho envolve:

1. Modelagem Direta (Forward Modeling):
   • Simulador Gaussiano: Um simulador de linha de base gera espectros de potência usando uma distribuição multivariada gaussiana com uma matriz de covariância fixa (incluindo contribuições de trispectro) para validar o pipeline de SBI contra métodos padrão.
   • Simulador Baseado em Halos: Um modelo direto mais realista gera mapas de Compton-$y$ de céu total. Isso envolve a amostragem de Poisson de massas e redshifts de halos a partir da função de massa de halo de Tinker et al. (2008), atribuindo perfis de pressão de Navarro–Frenk–White generalizados (GNFW) (Arnaud et al. 2010), e convolvendo-os com um feixe (beam). Resíduos de foregrounds (CIB, IR, RS) e ruído correlacionado são adicionados como campos aleatórios gaussianos.
2. Estimativa de Densidade Neural:
   • Os autores treinam redes neurais profundas usando o pacote sbi (PyTorch) para aprender ou a distribuição posterior diretamente (Estimativa de Posterior Neural, NPE) ou a função de verossimilhança (Estimativa de Verossimilhança Neural, NLE).
   • Uma arquitetura de Fluxo Auto-regressivo Mascarado (MAF) é utilizada. Para mitigar a estocasticidade do treinamento, um conjunto de 10 redes treinadas independentemente é empregado para formar uma estimativa de posterior robusta.
3. Validação:
   • O framework de SBI é primeiro validado contra uma análise de verossimilhança gaussiana padrão usando dados reais da Planck.
   • Em seguida, é aplicado a um conjunto de dados fictício gerado pelo modelo direto baseado em halos para avaliar o impacto da não-gaussianidade.
   • Testes de convergência são realizados em relação ao número de simulações, e testes de cobertura são conduzidos para garantir que os posteriors inferidos sejam estatisticamente consistentes com os parâmetros reais.

Principais Contribuições

• Primeira Aplicação de SBI ao tSZ: Este trabalho representa a primeira aplicação de SBI à análise do espectro de potência tSZ.
• Validação da Aproximação Gaussiana: O estudo fornece um teste rigoroso da suposição de verossimilhança gaussiana padrão para levantamentos do tipo Planck.
• Modelagem de Verossimilhança Não-Gaussiana: Demonstra a capacidade da NLE de aprender e reproduzir com precisão a distribuição de amostragem altamente assimétrica e não-gaussiana do espectro de potência tSZ em baixos multipolos, onde as aproximações gaussianas falham.
• Análise de Robustez: Através de extensos estudos de ablação, os autores distinguem entre diferenças físicas genuínas na verossimilhança e potenciais artefatos decorrentes do treinamento da rede neural ou do tamanho finito das simulações.

Resultos

• Restrições Cosmológicas: Usando apenas multipolos $\ell < 1000$, a suposição de verossimilhança gaussiana produz restrições cosmológicas imparciais. A inferência baseada em SBI (tanto NPE quanto NLE) produz resultados para a combinação de parâmetros cosmológicos $F = \sigma_8(\Omega_m/B)^{0.40}h^{-0.21}$ que estão em excelente concordância com os resultados da verossimilhança gaussiana, apesar da não-gaussianidade subjacente.
• Restrições de Foregrounds: Enquanto as restrições cosmológicas permanecem estáveis, a inferência baseada em SBI mostra um alargamento suave das distribuições de posterior para as amplitudes de foregrounds residuais em comparação com a verossimilhança gaussiana. Especificamente, a restrição baseada em NLE para a amplitude da fonte de infravermelho ($A_{IR}$) é aproximadamente $0,5\sigma$ menor do que o resultado da verossimilhança gaussiana.
• Aprendizado de Verossimilhança: O método NLE aprende com sucesso a estrutura não-gaussiana da verossimilhança, reproduzindo a assimetria positiva observada nas simulações do modelo direto, enquanto a aproximação gaussiana falha em baixos multipolos.
• Cobertura: Testes de cobertura confirmam que os posteriors inferidos por SBI são bem calibrados, com vieses menores que $0,06\sigma$ em todos os parâmetros.

Significância e Alegações
O artigo afirma que, para uma análise tSZ do tipo Planck (céu total, níveis de ruído específicos), a suposição de verossimilhança gaussiana padrão é suficientemente precisa para a inferência cosmológica, pois produz restrições imparciais para parâmetros fundamentais. No entanto, os autores enfatizam que a SBI serve como uma ferramenta de validação crucial. Ela permite que pesquisadores modelem verossimilhanças não-gaussianas além das aproximações analíticas, revelando diferenças sutis nas restrições de foregrounds que poderiam passar despercebidas.

Os autores observam que sua conclusão sobre a suficiência da verossimilhança gaussiana pode não se estender automaticamente a outros levantamentos como o ACT ou o South Pole Telescope (SPT), que observam frações de céu menores e, portanto, experimentam maior variância de amostragem e uma não-gaussianidade mais forte em multipolos mais altos. Além disso, destacam que a SBI oferece um framework flexível para aplicações futuras, como a incorporação de incertezas em perfis de pressão, a combinação de espectros de potência tSZ com contagens de números de aglomerados e a análise de momentos de ordem superior, que são difíceis de lidar com verossimilhanças analíticas tradicionais. O trabalho sugere que, embora a aproximação gaussiana seja robusta para as restrições atuais da Planck, a SBI fornece um caminho necessário para lidar com a estatística complexa de futuros levantamentos de CMB de maior resolução.