Fisher Forecasting for the DESC with $\texttt{Augur}$

Resumo Técnico: Fisher Forecasting para o DESC com o Augur

Definição do Problema
O Legacy Survey of Space and Time (LSST) do Vera C. Rubin Observatory está prestes a entregar restrições sem precedentes sobre parâmetros cosmológicos através de seu levantamento de dez anos. Para garantir medições cosmológicas robustas, a Dark Energy Science Collaboration (DESC) requer métodos computacionalmente econômicos para avaliar o desempenho de análises propostas e testar escolhas de modelagem antes da coleta de dados. Embora análises completas de Markov Chain Monte Carlo (MCMC) ou nested sampling forneçam restrições precisas, elas são frequentemente excessivamente intensivas em termos computacionais para uma exploração rápida de espaços de modelos. O formalismo da Matriz de Informação de Fisher oferece uma alternativa mais rápida ao estimar restrições de parâmetros via derivadas numéricas do log-verossimilhança. No entanto, a confiabilidade das previsões de Fisher depende fortemente da suposição de que o log-posterior é aproximadamente quadrático localmente e da estabilidade numérica dos cálculos de derivada. Trabalhos anteriores da LSST DESC estabeleceram requisitos para efeitos sistemáticos, mas careciam de uma biblioteca de previsão unificada e publicamente disponível, integrada ao ecossistema de software da DESC.

Metodologia
Este artigo introduz o Augur, uma ferramenta de previsão de Fisher baseada em Python desenvolvida pela LSST DESC. O Augur foi projetado para interagir diretamente com o stack de software existente da DESC, incluindo:

• CCL (Core Cosmology Library): Para previsões teóricas de observáveis cosmológicos.
• TJPCov: Para estimativa analítica de covariância.
• firecrown: O framework oficial de verossimilhança da DESC.

A ferramenta computa matrizes de Fisher avaliando derivadas numéricas de previsões de modelos em relação a parâmetros cosmológicos e sistemáticos. Os autores validam o Augur utilizando uma análise "3×2pt" (combinando agrupamento de galáxias, cisalhamento cósmico e lentes galácticas-galáxia) no espaço harmônico, modelando configurações de levantamento da LSST para o Ano 1 (Y1) e Ano 10 (Y10).

Os principais componentes metodológicos incluem:

1. Diferenciação Numérica: O estudo investiga várias técnicas de diferenciação, incluindo o método de stencil de 5 pontos, numdifftools e derivkit (usando polinômios de Chebyshev adaptativos).
2. Estabilidade de Hiperparâmetros: Os autores testam sistematicamente a estabilidade das previsões contra:
   • Tamanho do Passo (Step Size): A magnitude das perturbações de parâmetros usadas para as derivadas.
   • Distribuição de Redshift ($n(z)$): A resolução de amostragem (número de nós) das distribuições de redshift das galáxias fonte e lente.
   • Modelos de Espectro de Potência: Comparando prescrições lineares (Eisenstein-Hu, CAMB) e não lineares (Halofit, HMCode2020).
3. Benchmarks de Validação: As saídas do Augur são comparadas com:
   • O pipeline legado do DESC Science Requirements Document (SRD) (usando um CosmoLike modificado).
   • CosmoSIS com firecrown.
   • Amostragem direta de posterior via nested sampling PolyChord.
   • Verificações de consistência interna para estimativa de viés de Fisher.

Principais Contribuições

• Framework Augur: O lançamento de uma ferramenta de previsão pública e nativa da DESC que unifica previsões teóricas, avaliação de verossimilhança e estimativa de covariância dentro de um único ecossistema.
• Diagnósticos de Estabilidade: O artigo estabelece "regiões de trabalho" específicas para hiperparâmetros numéricos. Identifica que um tamanho de passo normalizado de aproximadamente 5% do intervalo de prior uniforme (ex: $\Delta s = 0.05$) produz resultados estáveis, enquanto tamanhos de passo menores introduzem ruído numérico, particularmente com modelos de espectro de potência não lineares como o Halofit.
• Sensibilidade do Modelo: O estudo demonstra que diferentes prescrições de espectro de potência não linear (ex: Halofit vs. HMCode2020) podem levar a variações significativas (de 10% ou mais) nas Figuras de Mérito (FOMs), mesmo dentro de regimes de tamanho de passo estáveis, destacando a sensibilidade das previsões de Fisher às escolhas de modelagem.
• Estimativa de Viés: A ferramenta inclui funcionalidade para estimar vieses de parâmetros decorrentes de incompatibilidades de modelo, com o artigo definindo os limites de validade para essas aproximações lineares.

Resultados

• Concordância com Códigos Externos: O Augur produz resultados consistentes com o pipeline CosmoSIS + firecrown (acordo quase exato em matrizes de correlação) e o pipeline DESC SRD (acordo de DEFOM dentro de 10% para Y1 e 2% para Y10). As discrepâncias com o pipeline SRD são atribuídas a diferenças no binamento de $n(z)$ e métodos de integração.
• Validação contra Nested Sampling: Para tamanhos de passo estáveis ($\Delta s = 0.05$), os contornos de Fisher do Augur reproduzem de perto a forma, orientação e área dos posteriors de parâmetros obtidos via nested sampling PolyChord. As matrizes de correlação entre os resultados de Fisher e de nested sampling diferem por menos de 0,05, bem dentro do limiar de aceitação de 0,1 definido pelos autores.
• Riscos de Instabilidade: O estudo confirma que tamanhos de passo instáveis (muito pequenos) ou amostragem inadequada de $n(z)$ podem levar a FOMs não confiáveis e direções de degenerescência incorretas. Especificamente, tamanhos de passo abaixo de 1% da largura da prior frequentemente resultam em ruído numérico dominando as derivadas.
• Média de Binamento (Bin-Averaging): A inclusão de filtros de bandpower top-hat suaviza as variações nos FOMs através dos tamanhos de passo, mitigando algumas instabilidades numéricas associadas a avaliações de modo único.
• Limites de Viés de Fisher: Testes de consistência interna mostram que as estimativas de viés de Fisher recuperam com precisão pequenos deslocamentos de entrada (dentro de $\sim 1\sigma$). No entanto, para deslocamentos maiores (excedendo $\sim 1\sigma$ em $w_0$ ou $0,5\sigma$ em $w_a$), a aproximação linear falha e o viés não é recuperado de forma robusta.

Significância e Alegações
Os autores declaram explicitamente que o objetivo primário deste trabalho não é fornecer previsões cosmológicas atualizadas, mas sim introduzir e validar um framework de previsão. O artigo afirma que o Augur fornece um método estável, confiável e reprodutível para gerar previsões de Fisher dentro do ecossistema de software da DESC. Ao documentar as melhores práticas para derivadas numéricas e escolhas de modelagem, a ferramenta permite que os usuários obtenham diagnósticos confiáveis para futuros estudos da LSST. O trabalho serve como um estudo de métodos e validação, demonstrando que as previsões de Fisher podem ser produzidas com alta fidelidade à amostragem de verossimilhança completa quando os critérios de estabilidade numérica apropriados são atendidos. Os autores observam que, embora a implementação atual dependa de derivadas de diferença finita, os benchmarks de estabilidade estabelecidos aqui servirão como base para futuros frameworks de cosmologia diferenciável.