Emulating the nonlinear effects of modified gravity on the matter power spectrum for reconstruction

Resumo Técnico: Emulação dos Efeitos Não Lineares da Gravidade Modificada no Espectro de Potência da Matéria para Reconstrução

Definição do Problema
A reconstrução independente de modelo das funções de Gravidade Modificada (MG), especificamente os parâmetros fenomenológicos $\mu(a)$ e $\Sigma(a)$, oferece uma maneira poderosa de testar a Relatividade Geral (GR) sem assumir uma teoria específica de MG. No entanto, incorporar informações não lineares de escalas menores é essencial para restringir esses modelos, pois as teorias de MG podem alterar significariamente a formação de estruturas, mesmo quando as previsões lineares são degeneradas com o $\Lambda$CDM. O principal gargalo nesse processo é o custo computacional: calcular o espectro de potência de matéria não linear ($P_{NL}$) para modelos de MG usando o pipeline padrão (MGCAMB combinado com a reação do modelo de halo ReACT) é proibitivamente caro para as avaliações repetidas de verossimilhança necessárias em uma exploração de espaço de parâmetros de alta dimensão (por exemplo, MCMC). Esse custo limita a capacidade de incluir dados não lineares em pipelines de reconstrução de modelos independentes.

Metodologia
Para abordar esse gargalo computacional, os autores constroem um emulador de rede neural projetado para prever o fator de correção não linear, definido como a razão $R_{MG}(k, z) = P_{NL}^{MG}(k, z) / P_{L}^{MG}(k, z)$, em vez do espectro de potência completo. Esta abordagem isola as modificações não lineares dependentes do modelo, reduzindo a amplitude dinâmica que a rede precisa aprender, enquanto preserva as previsões lineares precisas do código de Boltzmann.

• Dados de Treinamento: O emulador é treinado em aproximadamente $9 \times 10^5$ amostras geradas usando MGCAMB e ReACT. O conjunto de dados combina amostras de cadeias de reconstrução anteriores (para garantir motivação física no espaço de parâmetros de MG) e amostras aleatórias geradas dentro de intervalos posteriores de $3\sigma$ de parâmetros cosmológicos padrão.
• Parâmetros de Entrada: O vetor de entrada inclui parâmetros cosmológicos padrão ($\log A, n_s, h, \Omega_b h^2, \Omega_c h^2$), os nós da função de MG reconstruída ($\mu_{1-11}, \Omega_{X,1-10}$), o redshift ($z$) e o parâmetro de blindagem não linear ($p_1$). Os nós de $\Sigma$ são excluídos, pois não afetam diretamente o espectro de potência de matéria.
• Arquitetura: O emulador utiliza o framework CosmoPower com uma rede neural totalmente conectada apresentando quatro camadas ocultas de 512 nós cada. Ele prevê a razão $R_{MG}$ através de 420 modos-$k$ no intervalo $10^{-5} \le k < 10 \text{ Mpc}^{-1}$.
• Estratégia de Validação: O emulador passa por um processo de validação de três níveis:
  1. Espectros Representativos: Comparação com MGCAMB+ReACT para $\Lambda$CDM e modelos específicos de MG onde os espectros lineares são quase degenerados com $\Lambda$CDM.
  2. Conjunto de Validação Independente: Análise estatística de 2000 pontos não vistos através do espaço de parâmetros.
  3. MCMC de Dados Sintéticos: Teste de ponta a ponta usando dados sintéticos de BAO+RSD (tipo DESI) e Lenteamento Fraco (tipo CSST) gerados a partir de um modelo fiducial conhecido de $\Lambda$CDM para verificar se o emulador introduz vieses na recuperação de parâmetros.

Resultos Principais

• Precisão: Para $\Lambda$CDM e modificações não lineares moderadas de MG ($p_1 = 0, 1$), o emulador reproduz os espectros de potência não lineares de referência com erro inferior a 1,5% em todo o intervalo de escala. Em casos não lineares extremos ($p_1 = 2$), essa precisão de 1,5% é mantida para $k < 0,8 \text{ Mpc}^{-1}$, com desvios aumentando em escalas menores devido a efeitos não lineares mais fortes.
• Desempenho Estatístico: Sobre o conjunto de validação independente, o resíduo médio é próximo de zero. O espalhamento de $2\sigma$ permanece abaixo de 1% para $k < 0,5 \text{ Mpc}^{-1}$ e aumenta para aproximadamente 2% em escalas menores.
• Recuperação MCMC: Nas análises de dados sintéticos, o emulador recupera com sucesso a cosmologia $\Lambda$CDM de entrada e os limites de GR ($\mu=\Sigma=1$) das funções de MG reconstruídas dentro das incertezas posteriores. Desvios observados nas funções reconstruídas em baixos redshifts são atribuídos a efeitos de projeção e degenerações com parâmetros de viés galáctico, em vez de erros do emulador.
• Eficiência Computacional: O emulador reduz o tempo necessário para calcular espectros de potência não lineares de aproximadamente 80 segundos (MGCAMB+ReACT) para cerca de 20 segundos, sendo que a maior parte do tempo ainda é consumida pelo cálculo do espectro linear.

Aplicações Demonstradas
O artigo ilustra três aplicações específicas do emulador:

1. Quebra de Degenerescência: O emulador pode distinguir entre modelos de MG que possuem espectros lineares quase degenerados, mas correções não lineares diferentes, servindo como uma ferramenta de diagnóstico rápida.
2. Likelihoods de Pesquisas Atuais: Em um teste usando verossimilhanças $3\times2pt$ do DES-Y3, os erros sistemáticos do emulador (mesmo em um cenário de pior caso) foram encontrados como subdominantes às incertezas de medição atuais (desvio máximo $\sim 0,1\sigma$), validando seu uso para pesquisas fotométricas atuais.
3. Previsões Futuras: A Análise de Componentes Principais (PCA) de previsões DESI+CSST indica que o emulador permite a recuperação das funções de MG com precisão significativamente melhorada. A combinação DESI-V+CSST-F projeta reduzir os erros em aproximadamente 46% para modos de $\Sigma$ e 19% para modos de $\mu$ em comparação com configurações de pesquisas anteriores.

Significância e Limitações
Os autores afirmam que este trabalho fornece uma ferramenta confiável, rápida e precisa para pipelines de reconstrução de MG independente de modelo, permitindo a inclusão de informação não linear de pesquisas de Estágio-IV (como DESI e CSST) sem as proibições computacionais de cálculos completos de modelo de halo. O emulador permite a exploração de espaços de parâmetros de alta dimensão que eram anteriormente inacessíveis.

O artigo observa várias limitações:

• O emulador é válido apenas dentro do intervalo $k$ de treinamento; a extrapolação não é controlada.
• A reconstrução assume independência de escala, fixando todos os parâmetros não lineares de ReACT exceto $p_1$.
• A precisão degrada em regimes não lineares extremos (alto $p_1$, alto $k$).
• A calibração do ReACT é limitada a $z \le 2,5$, exigindo aproximações para bins de redshift mais altos em pesquisas como o CSST.
• A validação atual depende de dados sintéticos; a aplicação a dados reais observados é proposta para trabalhos futuros.