Alleviating prior dependencies for DESI DR1 clustering fits through reparameterization

Resumo Técnico: Aliviando Dependências de Priores para Ajustes de Agrupamento (Clustering) do DESI DR1 através de Reparametrização

Declaração do Problema
Este trabalho aborda um problema sistemático específico em análises Bayesianas do agrupamento de forma completa (full-shape) do DESI (Dark Energy Spectroscopic Instrument) Data Release 1 (DR1). Ao analisar os multipolos do espectro de potência usando a Teoria de Campo Efetivo da Estrutura de Larga Escala (EFTofLSS), parâmetros de perturbação (nuisance parameters) fracamente restringidos (relacionados ao viés galáctico, contratermos e ruído de disparo/shot noise) exibem fortes degenerescências com parâmetros cosmológicos. Em análises padrão utilizando priors amplos, uniformes ou Gaussianos, essas degenerescências levam a "efeitos de projeção de volume de prior" (prior-volume projection effects). Consequentemente, as distribuições posteriores marginalizadas para parâmetros cosmológicos fundamentais — especificamente a constante de Hubble ($H_0$) e os parâmetros da equação de estado da energia escura ($w_0, w_a$) — são sistematicamente deslocadas para longe da estimativa de Máxima a Posteriori (MAP). Este fenômeno resulta em discrepâncias de várias sigmas entre os valores esperados relatados e o máximo real da verossimilhança (likelihood), particularmente em conjuntos de dados com ancoragem externa fraca (ex: DESI combinado apenas com Nucleossíntese do Big Bang e uma restrição fraca do índice espectral).

Metodologia
Os autores reanalisam os multipolos do espectro de potência do DESI DR1 usando duas estratégias complementares projetadas para mitigar esses efeitos de projeção sem depender de suposições de modelagem astrofísica externa (como modelos de Ocupação de Halo - HOD):

1. Reparametrização Ortogonal Não Linear:

   • Os autores implementam uma técnica para decorrelacionar parâmetros de perturbação ($N$) de parâmetros cosmológicos ($C$).
   • Em vez dos Modelos Aditivos Generalizados (GAMs) usados em trabalhos anteriores, eles utilizam uma rede neural totalmente conectada para aprender a expectativa condicional $f(C) \approx E[N|C]$ a partir de uma amostra posterior inicial.
   • Os parâmetros de perturbação são transformados em uma base ortogonal $N' = N - f(C)$, tornando-os aproximadamente não correlacionados com a cosmologia.
   • A análise é então reajustada neste espaço transformado, com os priors reescalonados para manter a variância física na base original.

2. Prior de Jeffreys Invariante à Reparametrização:

   • Os autores implementam um prior de Jeffreys totalmente invariante à reparametrização sobre todo o conjunto de coeficientes da EFTofLSS. Este prior é construído a partir da raiz quadrada do determinante da matriz de informação de Fisher ($p_J(\theta) \propto \sqrt{\det I(\theta)}$).
   • Para superar gargalos computacionais associados a matrizes de Fisher de alta dimensão, eles derivam expressões analíticas em forma fechada para o Jacobiano dos multipolos do espectro de potência em relação aos parâmetros da EFT.
   • Esses Jacobianos são avaliados em tempo real durante a amostragem de Cadeias de Markov Monte Carlo (MCMC) usando o emulador Effort.jl e o framework Turing.jl, permitindo atualizações eficientes do fator de Jeffreys a cada passo.
   • Os autores testam duas configurações: um prior de Jeffreys "puro" e uma abordagem "híbrida" (Jeffreys + Baseline Gaussiano), onde o prior de Jeffs é combinado com as larguras Gaussianas de baseline originais para controlar caudas excessivamente amplas em parâmetros físicos como a densidade de matéria escura fria ($\omega_c$).

Principais Contribuições

• Implementação Algorítmica: O artigo estende a aplicação de priors de Jeffreys em análises de EFTofLSS de subconjuntos lineares de parâmetros para o conjunto completo de parâmetros de perturbação não lineares, utilizando Jacobianos analíticos para manter a eficiência computacional.
• Ortogonalização por Redes Neurais: O trabalho atualiza a metodologia de ortogonalização substituindo GAMs por redes neurais, melhorando o tratamento de degenerescências multivariadas e altamente não lineares, e garantindo estabilidade numérica em espaços de alta dimensão.
• Validação Cruzada de Frameworks: O estudo fornece uma comparação rigorosa entre três frameworks de inferência distintos:
  1. A abordagem Bayesiana proposta com correção de volume baseada em Jeffreys (especificamente o híbrido Jeffreys+Baseline).
  2. Uma abordagem calibrada por simulação usando priors informados por HOD (HIP).
  3. Uma análise de verossimilhança de perfil (profile likelihood) frequentista.

Resultos

• Mitigação de Projeção: Na configuração de ancoragem fraca "DESI + BBN + $n_s$", o prior de baseline padrão (BLP) exibe efeitos de projeção significativos, deslocando $H_0, w_0$ e $w_a$ várias desvios padrão do MAP. O método de ortogonalização mitiga parcialmente esses deslocamentos, mas o prior de Jeffreys (particularmente a variante híbrida) recentraliza com sucesso os posteriors, envolvendo o MAP dentro das regiões de credibilidade de 68% para esses parâmetros.
• Restrições de Parâmetros: O método híbrido Jeffreys+Baseline é identificado como o método fiducial. Ele controla as caudas excessivamente amplas em $\omega_c$ observadas com o prior de Jeffreys puro, preservando os benefícios de correção de volume para os parâmetros de expansão.
• Consistência entre Frameworks: Quando restrições externas são adicionadas (CMB e Tipo Ia Supernovae), as diferenças entre o método de baseline, ortogonalizado, Jeffreys e os métodos informados por HOD diminuem. No entanto, mesmo no regime de baixa restrição, o método híbrido de Jeffreys e o método informado por HOD produzem valores centrais e direções de degenerescência consistentes, apesar de suas suposições fundamentalmente diferentes (correção de volume geométrica vs. modelagem astrofísica).
• Concordância Frequentista-Bayesiana: Os intervalos de credibilidade derivados usando a abordagem híbrida de Jeffreys mostram excelente concordância com os intervalos de confiança de verossimilhança de perfil frequentista em termos de valores centrais e direções de degenerescência, sugerindo que a informação de verossimilhança subjacente está sendo extraída de forma consistente uma vez que os efeitos de projeção são controlados.

Significância e Alegações
O artigo afirma que, ao controlar adequadamente os efeitos de projeção de volume de prior através de medidas invariantes à reparametrização (especificamente o prior de Jeffreys), inferências robustas sobre a expansão da cosmologia tardia podem ser feitas independentemente do framework estatístico específico (Bayesiano vs. Frequentista) ou da adoção de suposições astrofísicas específicas (modelos HOD).

Os autores enfatizam que sua metodologia demonstra que as discrepâncias observadas anteriormente entre diferentes pipelines de análise foram amplamente impulsionadas por artefatos de projeção, e não por inconsistências fundamentais nos dados ou modelos. A convergência dos resultados através da análise Bayesiana baseada em Jeffreys, da análise Bayesiana informada por HOD e da análise de verossimilhança de perfil frequentista valida a confiabilidade das restrições de agrupamento de forma completa do DESI DR1 sobre $H_0, w_0$ e $w_a$. Este trabalho estabelece uma base metodológica para futuras análises de grande escala da estrutura (ex: com DESI e Euclid), onde o aumento do poder estatístico exigirá o controle rigoroso de tais efeitos sistemáticos.