Disentangling modified gravity and galaxy bias with field-level inference

Resumo Técnico: Desentrelaçando a Gravidade Modificada e o Viés de Galáxia com Inferência ao Nível de Campo

Definição do Problema
As análises cosmológicas tradicionais da Grande Estrutura (LSS) dependem de estatísticas de resumo, principalmente o espectro de potência ($P(k)$), que comprime a distribuição de matéria tridimensional em correlações de dois pontos. Embora eficaz para condições iniciais gaussianas, essa abordagem descarta informações não-gaussianas e correlações de fase de Fourier geradas pela evolução gravitacional não-linear. Essa perda de informação cria uma degenerescência crítica entre os parâmetros de Gravidade Modificada (MG) e o viés de galáxia (galaxy bias). Especificamente, o aumento do poder de agrupamento impulsionado por efeitos de MG (ex: uma quinta força em teorias $f(R)$) pode ser mimetizado por mudanças nos parâmetros de viés de galáxia. Consequentemente, estatísticas de dois pontos têm dificuldade em distinguir entre desvios da Relatividade Geral (GR) e variações na forma como as galáxias rastreiam a distribuição subjacente de matéria escura.

Metodologia
Os autores desenvolvem um arcabouço de Inferência ao Nível de Campo (FLI) para abordar essas limitações, realizando uma análise de verossimilhança bayesiana diretamente no campo tridimensional de contagens de galáxias ($n_g$), em vez de comprimir os dados.

• Estrutura Teórica: O estudo utiliza o modelo de gravidade $f(R)$ de Hu-Sawicki, caracterizado pelo parâmetro $f_{R0}$, que introduz um mecanismo de blindagem camaleão (chameleon screening). Isso é acoplado a um modelo de viés de galáxia não-linear e local na densidade (Neyrinck et al. 2014) apresentando os parâmetros $\beta$ (viés primário), $\rho$ e $\epsilon$.
• Pipeline de Simulação: A formação de estrutura não-linear é modelada usando o método de Aceleração Lagrangiana Comovente (COLA) estendido para gravidade modificada (FML-COLA). O pipeline gera campos de sobre-densidade de matéria escura ($\delta_{DM}$) que são mapeados para catálogos de galáxias fictícios ($n_g$) via a prescrição de viés não-linear.
• Estruturas de Inferência: Os autores comparam duas abordagens distintas de verossimilhança:
  1. Análise de Espectro de Potência: Uma verossimilhança gaussiana tradicional aplicada ao espectro de potência de galáxias $P_g(k)$ subtraído do ruído de disparo (shot-noise).
  2. Análise ao Nível de Campo: Uma verossimilhança de Poisson voxel a voxel (e uma verossimilhança de Poisson truncada para dados com limiar) aplicada diretamente ao campo tridimensional de contagens de galáxias ($n_g$). Isso preserva tanto as amplitudes de Fourier quanto as fases.
• Estimativa de Parâmetros: Uma grade de previsões teóricas é gerada através do espaço de parâmetros de $\beta$ e $|f_{R0}|$. Um interpolador de grade linear contínua é usado para criar uma superfície de verossimilhança contínua para amostragem de Monte Carlo via Cadeias de Markov (MCMC).
• Verificações de Robustez: O pipeline é testado contra variações de realizações de ruído de Poisson, condições iniciais (variância cósmica) e limiarização de dados (exclusão de voxels de baixa contagem).

Principais Contribuições e Resultados
O estudo aplica este arcabouço a dados fictícios representando dois cenários: um modelo fiducial de GR ($f_{R0}=0$) e um modelo $f(R)$ com $|f_{R0}| = 10^{-6}$ (F6).

1. Quebra de Degenerescências: A abordagem ao nível de campo consegue quebrar a forte degenerescência entre $|f_{R0}|$ e $\beta$ inerente às análises de espectro de potência.

   • No caso de GR, a análise de espectro de potência produz um limite superior de 95% de $\log_{10}|f_{R0}| < -5.698$, enquanto a análise ao nível de campo o torna mais rigoroso, com $\log_{10}|f_{R0}| < -6.760$.
   • No caso de F6, a análise de espectro de potência produz um posterior amplo e degenerado ($\log_{10}|f_{R0}| = -6.223^{+1.032}_{-0.411}$), enquanto a análise ao nível de campo recupera o valor real com alta precisão ($\log_{10}|f_{R0}| = -5.958^{+0.100}_{-0.107}$).
   • As restrições sobre o parâmetro de viés $\beta$ também são significativamente mais rigorosas na análise ao nível de campo ($\pm 0.003$) em comparação com o espectro de potência ($\pm 0.004$ a $0.007$).

2. Papel das Fases de Fourier: Ao isolar as fases de Fourier (mantendo as amplitudes fixas ao modelo fiducial), os autores demonstram que a informação de fase sozinha fornece restrições sobre $|f_{R0}|$ superiores às análises baseadas apenas em amplitude (espectro de potência), embora a combinação de ambas resulte nas restrições mais rigorosas. Isso confirma que a configuração morfológica da teia cósmica, codificada nas fases, carrega assinaturas distintas de gravidade que o viés não consegue replicar.

3. Sensibilidade ao Ambiente Cósmico: Através da classificação da teia cósmica (vazios, paredes, filamentos, aglomerados), os autores identificam que regiões de baixa densidade são os principais motores para distinguir modelos de gravidade.

   • Voxels com uma única galáxia ($n_{obs,g}=1$) são altamente sensíveis a aumentos no viés ou na força da gravidade.
   • Crucialmente, esses voxels informativos de $n_{obs,g}=1$ estão predominantemente localizados dentro de vazios e paredes do campo de matéria escura subjacente.
   • A verossimilhança ao nível de campo aproveita o arranjo espacial específico desses ambientes, que as estatísticas de dois pontos falham em capturar.

4. Robustez: Os resultados permanecem consistentes através de 100 diferentes realizações de ruído de Poisson e cinco diferentes realizações de condições iniciais. O método também demonstra resiliência à limiarização de dados; mesmo ao excluir voxels com $n_{obs,g} < 5$, a abordagem ao nível de campo retém um poder de restrição significativo, embora o ganho de informação das regiões de baixa densidade seja parcialmente perdido.

Significância e Alegações
O artigo afirma que a inferência ao nível de campo oferece um caminho poderoso para os próximos levantamentos (ex: DESI, Euclid, LSST) ao explorar o conteúdo total de informação da distribuição de galáxias. Os autores afirmam que sua abordagem:

• Desentrelaça MG e Viés: Resolve unicamente a degenerescência MG-viés utilizando informações morfológicas não-gaussianas e fases de Fourier, que são inacessíveis às estatísticas tradicionais de dois pontos.
• Identifica Fontes de Informação: Fornece uma compreensão física de onde na teia cósmica (especificamente em vazios e paredes) reside a informação que distingue modelos de gravidade.
• Valida a Modelagem Direta (Forward Modeling): Demonstra que a modelagem direta do campo 3D completo permite a restrição simultânea e robusta de parâmetros gravitacionais e de viés.

Os autores observam limitações, especificamente que sua implementação atual fixa as fases iniciais do campo de matéria escura. Eles reconhecem que aplicar isso a dados reais exigirá a marginalização sobre essas fases iniciais (como feito em estruturas como o BORG) e a incorporação de modelos de viés mais complexos e de sistemáticas observacionais. No entanto, o estudo estabelece a viabilidade teórica e prática do uso de verossimilhanças ao nível de campo para testar a gravidade no regime não-linear.