GalSBI: Forward Modelling Galaxy Clustering and Population

Resumo Técnico de "GalSBI: Modelagem Direta de Agrupamento de Galáxias e População"

Problema
A modelagem direta emergiu como uma abordagem poderosa para analisar levantamentos de estrutura em grande escala, visando gerar observações sintéticas sujeitas aos mesmos efeitos sistemáticos e seleções dos dados reais. Embora implementações anteriores do framework GalSBI tenham modelado com sucesso a fotometria e morfologia de galáxias usando modelos de população paramétricos e simulações de imagem (UFig), elas atribuíam as posições das galáxias de forma uniformemente aleatória. Essa negligência do agrupamento espacial limita a capacidade do framework de quantificar precisamente a variância da amostra, modelar o blending (sobreposição) de fontes em regiões superdensas e realizar análises de $3\times2$pt (lente gravitacional fraco e agrupamento de galáxias) totalmente consistentes. Além disso, as técnicas existentes de Subhalo Abundance Matching (SHAM), que ligam galáxias a halos de matéria escura, eram computacionalmente proibitivas para pipelines de simulação de imagem on-the-fly devido à necessidade de amostragem e ordenação de catálogos massivos.

Metodologia
Os autores estendem o framework GalSBI para modelar conjuntamente a população de galáxias e seu agrupamento espacial. A metodologia integra três componentes primários:

1. Simulação de Halo e Subhalo: Os autores utilizam o PINOCCHIO para gerar um catálogo de cone de luz de halos e histórico de fusão usando Teoria de Perturbação Lagrangiana. Subhalos são extraídos do histórico de fusão, com seus tempos de sobrevivência modelados via uma função de ajuste dependente das razões de massa entre hospedeiro e subhalo e circularidade orbital. As posições dos subhalos são extraídas de um perfil isotérmico dentro de seus halos hospedeiros.
2. Conexão Galáxia-Halo via SHAM-OT: Para povoar o catálogo de halos com galáxias, os autores empregam o Subhalo Abundance Matching (SHAM). Para superar gargalos computacionais, eles utilizam o SHAM-OT, que reformula o SHAM como um problema de Transporte Ótimo (OT). Em vez de ordenar grandes catálogos, o método combina a função de massa de halos com a função de luminosidade de galáxias usando histogramas normalizados. A regularização entrópica é aplicada à solução OT para incorporar o scatter (dispersão) na conexão galáxia-halo, emulando o scatter lognormal em luminosidade sem a necessidade de deconvolução.
   • O modelo distingue entre populações vermelhas (quenched) e azuis (em formação estelar). O quenching é modelado via transições suaves (funções de erro) dependentes da massa do halo para galáxias centrais e do tempo desde a fusão para galáxias satélites.
3. Inferência Baseada em Simulação (SBI): Os parâmetros do modelo são restringidos usando uma abordagem de Computação Bayesiana Aproximada (ABC) iterativa.
   • Dados: O framework é validado contra imagens do Dark Energy Survey Year 3 (DES Y3) e campos profundos/ultraprofundos do Hyper Suprime-Cam (HSC).
   • Adaptação do Emulador: Reconhecendo que posições agrupadas tornam o blending um efeito ambiental local em vez de um incômodo global, os autores substituíram o classificador de detecção anterior por simulações de imagem reais para a etapa de detecção (especificamente na banda $i$). A fotometria em outras bandas é emulada usando um normalizing flow. Isso preserva as estatísticas de agrupamento enquanto mantém a eficiência computacional.
   • Medidas de Distância: A inferência minimiza uma métrica de distância ponderada que combina contagens fracionárias de galáxias, uma distância de Wasserstein para propriedades fotométricas/morfológicas e uma distância baseada no espectro de potência angular ($C_\ell$) computado através de 12 subamostras de magnitude e cor.

Principais Contribuições

• Extensão do GalSBI: A primeira implementação do GalSBI que modela conjuntamente a fotometria, morfologia e o agrupamento espacial de galáxias.
• SHAM-OT Eficiente: A aplicação de transporte ótimo ao SHAM permite a computação on-the-fly das conexões galáxia-halo, reduzindo os custos computacionais em ordens de magnitude comparado ao SHAM tradicional.
• Agrupamento Realista em Simulações: A geração de simulações de imagem onde as posições das galáxias estão fisicamente correlacionadas com halos de matéria escura, permitindo o estudo da variância da amostra e do blending em regiões superdensas.
• Pipeline de Inferência Atualizado: Um pipeline de SBI modificado que utiliza detecção baseada em imagem para evitar vieses nas estatísticas de agrupamento introduzidos por suposições de posição uniforme.

Resultos

• Restrições da População de Galáxias: Os parâmetros da população de galáxias inferidos (funções de luminosidade, relações tamanho-luminosidade) são consistentes com resultados anteriores do GalSBI e literatura externa. Os parâmetros de quenching (limite de massa e escalas de tempo) são consistentes com trabalhos anteriores, mas mostram redução de degenerescência devido à flexibilização da suposição de transições abruptas.
• Conexão Galáxia-Halo: A conexão galáxia-halo medida, incluindo o scatter, alinha-se bem com medições locais (ex: Via Láctea, Andromeda) e a relação de Tully-Fisher. O modelo encontra um scatter significativamente maior para galáxias vermelhas comparado às azuis, atribuído ao domínio de galáxias satélites na população vermelha.
• Validação contra DES e HSC:
  • Fotometria e Morfologia: As distribuições de magnitude, cor e tamanho simuladas concordam bem com os dados do DES Y3 e campos profundos do HSC.
  • Agrupamento: Os espectros de potência angular ($C_\ell$) das posições das galáxias simuladas coincidem com os dados em várias faixas de magnitude e cor.
  • Distribuições de Redshift: As distribuições de redshift ($n(z)$) simuladas para campos profundos do HSC mostram características "espiculadas" semelhantes aos dados reais (ao contrário das distribuições mais suaves de modelos anteriores não agrupados). Os redshifts médios concordam com redshifts fotométricos de alta precisão (LePhare, EAZY) dentro de $0.2\sigma$ a $1.6\sigma$ através das faixas de magnitude.
• Quantificação de Incerteza: O estudo quantifica o impacto da variância da amostra nas distribuições de redshift. Para o tamanho do campo COSMOS, a variância da amostra é a fonte dominante de incerteza para amostras brilhantes ($<24$ mag), enquanto a incerteza do modelo de população de galáxias domina para amostras mais fracas.

Significância
O artigo afirma que o framework GalSBI atualizado permite simulações de imagem modeladas diretamente com agrupamento realista. Essa capacidade é significativa para:

• Variância da Amostra: Quantificar o impacto da variância da amostra ao calibrar em campos pequenos como o COSMOS.
• Calibração de Blending: Melhorar a calibração de blending para levantamentos profundos (ex: campos profundos do HSC mostram uma redução de $\sim7\%$ nas galáxias detectadas devido ao agrupamento, comparado a efeitos negligenciáveis no DES), o que é crucial para levantamentos de Estágio-IV.
• Controle de Sistemas: Fornecer uma ferramenta auto-consistente para análises de $3\times2$pt ao modelar conjuntamente fotometria, morfologia e posições espaciais.
• Levantamentos Futuros: Servir como uma ferramenta poderosa para levantamentos cosmológicos atuais e de próxima geração (ex: Rubin-LSST, Euclid, Roman) ao fornecer simulações realistas que incluem efeitos de agrupamento de fontes e variância da amostra.

Os autores observam que, embora o modelo de scatter atual seja simétrico e constante, trabalhos futuros podem adaptar a matriz de custo para considerar variações de scatter dependentes da massa. Adicionalmente, o framework foi desenhado para ser extensível a dados espectroscópicos e outros levantamentos com cobertura de comprimento de onda mais ampla.