Exploring the $S_8$ Tension: Insights from the CatNorth 1.5-Million Quasar Candidates

本文利用高纯度的 CatNorth 150 万类星体候选体样本结合 Planck DR4 CMB 透镜数据，通过机器学习校正系统误差后测得的 $S_8$ 值与 CMB 预测更为一致，表明当前的 $S_8$ 张力证据有所减弱。

要点

这是一篇关于宇宙学的科学论文，我们可以把它想象成天文学家正在玩一场巨大的“宇宙拼图”游戏，试图解开一个困扰了大家很久的谜题。

1. 核心谜题：宇宙“长胖”了吗？（$S_8$ 张力）

想象一下，宇宙像是一个正在膨胀的气球。科学家想知道这个气球上的“花纹”（也就是星系和物质的分布）长得有多紧密。

• 过去的测量（CMB）： 就像看一张婴儿时期的照片（宇宙微波背景辐射，CMB）。这张照片告诉我们，宇宙小时候，物质分布得比较“紧密”，就像刚揉好的面团，密度很高。
• 现在的测量（弱引力透镜）： 就像看一张成年后的照片（通过观察光线弯曲来测量现在的星系分布）。很多以前的测量发现，现在的宇宙似乎比照片里预测的更“松散”一些。

这就产生了矛盾：如果宇宙模型是对的，这两张照片应该吻合。但现在它们对不上，差了大约 3 个标准差（统计学上很大的差异）。这就是著名的**"$S_8$ 张力”**。科学家很困惑：是宇宙真的变了（有新物理），还是我们看照片的方式有问题（有系统误差）？

2. 我们的新工具：150 万个“宇宙灯塔”（类星体）

为了搞清楚真相，这篇论文的作者们（来自北大、上海交大等机构）决定换一种方法。他们没有用传统的“星系”来做尺子，而是用了类星体（Quasars）。

• 什么是类星体？ 它们是宇宙中最亮的“灯塔”，是黑洞在疯狂吞噬物质时发出的强光。因为它们太亮了，我们能在非常遥远的地方（也就是非常早的宇宙时期）看到它们。
• CatNorth 目录： 作者们利用机器学习技术，从海量的数据中筛选出了150 万个高纯度的类星体候选者。这就像是在茫茫大海里，用超级智能的渔网，精准地捞出了 150 万条特定的鱼，而且保证大部分都不是误捞的石头。

3. 遇到的困难与“滤镜”魔法（选择函数）

在数这些“灯塔”的时候，有个大问题：我们看不全。

• 问题： 就像你在晚上数星星，银河系中心太亮（恒星太多），或者云层太厚（尘埃遮挡），导致有些地方的星星你根本数不到，或者数错了。这会让数据在地图上看起来“不均匀”，好像某些地方星星特别多，其实只是因为我们那里看得更清楚。
• 解决方案（机器学习滤镜）： 作者们开发了一个基于机器学习的“滤镜”（选择函数）。
  • 这就好比给相机装了一个智能修图软件。软件知道哪里因为灰尘多（银河系尘埃）导致看不清，哪里因为星星太密导致数不过来。
  • 它会自动给那些“看不清”的地方加权（告诉电脑：这里虽然数得少，但实际应该更多），从而把那些因为观测条件不好造成的“假象”抹去，还原出宇宙真实的分布图。
  • 这个方法比以前的方法更快、更省内存，而且更聪明。

4. 实验结果：低红移 vs 高红移

作者们把这 150 万个类星体分成了两组进行测量：

• 第一组：较近的类星体（低红移，$z < 1.5$）

  • 结果： 测出来的宇宙“紧密度”是 0.844。
  • 含义： 这个结果和“婴儿照片”（Planck 卫星数据，0.834）非常吻合！这意味着，在离我们较近、数据比较靠谱的宇宙区域，宇宙并没有“变胖”，之前的矛盾可能不是宇宙本身的问题，而是测量方法的问题。

• 第二组：非常远的类星体（高红移，$z > 1.5$）

  • 结果： 测出来的数值偏低，只有 0.724。
  • 含义： 这看起来好像矛盾更大了。但作者分析认为，这很可能是因为数据不够完美。
    • 想象一下，远处的灯塔太暗了，或者被前面的雾气（前景污染）挡住了，导致我们数少了。
    • 之前的研究（Quaia 目录）在高红移区测得数值较高，但作者认为那可能是因为他们的“滤镜”没修好，反而把一些误差当成了真实的信号。
    • 作者认为，高红移的数据目前还不够“干净”，所以那个偏低的数值可能是不准确的，而不是宇宙真的变了。

5. 总结与未来

这篇论文讲了什么？
作者们用了一个更干净、更聪明的“类星体样本”和一套更先进的“智能滤镜”，重新测量了宇宙的紧密度。

结论是什么？

1. 在低红移（较近）区域： 宇宙的结构增长和“婴儿照片”预测的一致。$S_8$ 张力可能不存在，或者至少在我们能看清的地方不存在。之前的矛盾可能是因为以前的测量方法（比如弱引力透镜）有系统误差。
2. 在高红移（较远）区域： 数据还有点乱，测出来的数值偏低，但这很可能是因为我们还没完全搞定那些遥远的、微弱的信号，而不是宇宙真的变了。

打个比方：
以前大家争论“地球是圆的还是方的”，是因为有人拿着模糊的望远镜看（有误差），有人拿着模糊的地图看（有误差）。
现在，作者们造了一台超高清的望远镜（CatNorth 目录），并且给镜头加了一层智能去雾玻璃（机器学习选择函数）。
他们发现：在看得清楚的地方，地球确实是圆的（和理论一致）；在看不太清的地方，图像有点变形，但这不代表地球变方了，只是我们还需要更好的镜头。

未来展望：
随着像薇拉·鲁宾天文台（LSST）和中国空间站巡天望远镜（CSST）这样的新一代“超级望远镜”投入使用，我们将能看清更远的宇宙。到时候，我们就能彻底解开这个谜题：宇宙到底有没有“变胖”，或者我们是否发现了超越爱因斯坦的新物理。

一句话总结：
这篇论文用更聪明的方法清洗了数据，发现宇宙在“近处”非常听话，符合标准模型；而在“远处”的异常，大概率是因为我们还没完全看清，而不是宇宙本身出了大问题。

技术摘要

这是一份关于论文《Exploring the S8 Tension: Insights from the CatNorth 1.5-Million Quasar Candidates》（探索 S8 张力：来自 CatNorth 150 万类星体候选体的见解）的详细技术总结。

1. 研究背景与问题 (Problem)

S8 张力 (S8 Tension)：
宇宙学参数 $S_8 \equiv \sigma_8 \sqrt{\Omega_m/0.3}$ 是描述宇宙结构增长的关键指标。目前存在显著的观测张力：

• 高红移测量： 基于宇宙微波背景辐射（CMB，如 Planck 2018）的测量给出 $S_8 \approx 0.834 \pm 0.016$。
• 低红移测量： 基于弱引力透镜（Weak Gravitational Lensing, WGL）和星系团等低红移探针的测量（如 KiDS-1000, DES-Y3）通常给出较低的 $S_8$ 值（约 0.76-0.78），与 Planck 结果存在 $2\sim3\sigma$ 的张力。
• 争议点： 这种差异可能源于未考虑的系统误差，也可能暗示了超出标准 $\Lambda$CDM 模型的新物理。

现有研究的局限性：

• 利用类星体与 CMB 透镜的交叉相关来约束 $S_8$ 是一种独立的方法，但此前基于 Quaia 目录（D. Alonso et al. 2023）的研究发现，高红移样本（$z>1.5$）的 $S_8$ 值异常低（$0.729 \pm 0.063$），而低红移样本较高（$0.879 \pm 0.055$）。
• 类星体样本的选择受到严重的系统误差影响（如恒星污染、巡天深度变化、红移估计误差），特别是在大尺度上，这些系统误差会导致功率谱出现虚假的过剩，从而扭曲宇宙学参数的推断。

2. 数据与方法论 (Methodology)

核心数据：

• CatNorth 类星体候选体目录： 包含约 150 万个高纯度类星体候选体，覆盖 $3\pi$ 天区。该目录结合了 Gaia DR3、Pan-STARRS1 (5 个波段) 和 CatWISE2020 (2 个波段) 的数据。
  • 优势： 相比 Quaia 目录，CatNorth 利用机器学习（XGBoost）将纯度从 52% 提升至约 90%，并提供了更准确的红移估计（基于集成回归模型和 CNN 处理 Gaia BP/RP 光谱）。
• Planck DR4 CMB 透镜数据： 使用最新的 Planck 全天空 CMB 透镜收敛图（$\kappa$），具有全天空覆盖优势，适合与宽天区类星体样本进行交叉相关。

关键方法论创新：

1. 基于机器学习的选择函数 (Selection Function)：
   • 问题： 巡天深度变化和系统误差导致类星体在天空分布不均匀。
   • 方案： 开发了一种基于神经网络（MLP）的选择函数 $S(\hat{n})$ 来建模空间选择效应。
   • 输入特征： 使用 10 个系统误差模板作为输入，包括尘埃消光 ($A_V$)、恒星密度、Gaia 扫描模式代理 ($M_{10}$)、以及 Pan-STARRS1 和 CatWISE2020 在多个波段的中位星等（作为探测效率的代理）。
   • 优势： 相比 Quaia 使用的 Gaussian Process 方法，该方法内存效率更高（仅需 ~2GB vs 35GB+），速度更快，且能有效抑制大尺度上的系统误差引起的功率谱过剩，同时保留宇宙学涨落。
2. 角功率谱分析：
   • 计算类星体的自相关 ($C^{gg}_\ell$) 和类星体 -CMB 透镜的交叉相关 ($C^{g\kappa}_\ell$)。
   • 使用 pyccl 计算理论功率谱，使用 pymaster 处理观测数据。
   • 应用 Limber 近似，并在 $\ell$ 范围上进行了严格截断（$\ell_{min}=30$ 以避免宇宙方差，$\ell_{max}$ 受限于非线性效应和分辨率）。
3. 贝叶斯推断：
   • 使用 MCMC (emcee) 在 $\Lambda$CDM 框架下拟合参数。
   • 自由参数：$\Omega_m, \sigma_8, h, b_g$（类星体偏差）。
   • 引入 BAO 先验以打破 $\Omega_m$ 和 $\sigma_8$ 的简并。

3. 主要结果 (Key Results)

研究将样本分为低红移 ($z < 1.5$) 和高红移 ($z > 1.5$) 两个子样本，并进行了多种稳健性测试：

• 低红移样本 ($z < 1.5$)：
  • 测得 $S_8 = 0.844^{+0.058}_{-0.056}$。
  • 结论： 该结果与 Planck 2018 的 $S_8 = 0.834 \pm 0.016$ 高度一致（在 1$\sigma$ 范围内），显著高于 Quaia 目录给出的低红移结果 ($0.879$)。
• 高红移样本 ($z > 1.5$)：
  • 测得 $S_8 = 0.724^{+0.058}_{-0.054}$。
  • 结论： 该值较低，与 Quaia 的高红移结果 ($0.729$) 趋势一致。作者认为这主要归因于高红移样本的不完整性（faint quasars）和 CMB 透镜图中的前景污染（如宇宙红外背景 CIB），而非真实的物理张力。
• 体积限制样本 (Volume-limited) 测试：
  • 构建体积限制样本以消除流量限制效应。
  • $z < 2$ 全样本：$S_8 = 0.835^{+0.053}_{-0.049}$。
  • $0.4 < z < 1.5$：$S_8 = 0.824^{+0.061}_{-0.062}$（与 Planck 一致）。
  • $1.5 < z < 2.5$：$S_8 = 0.789^{+0.062}_{-0.062}$（仍偏低，但误差较大）。
• 系统误差控制验证：
  • 通过模拟测试（Mock Simulations）证明，选择函数修正有效去除了大尺度上的系统误差过剩，且未引入明显的“过抑制”（oversuppression）。
  • 交叉相关分析显示，修正后的类星体过密度与系统误差模板（如消光、恒星密度）的相关性在统计上为零。
• 偏差模型 (Bias Model) 测试：
  • 测试了常数偏差、陡坡偏差和自由偏差模型。结果显示，虽然高红移样本对偏差模型较敏感，但低红移样本的 $S_8$ 结论稳健，始终与 Planck 一致。

4. 核心贡献 (Key Contributions)

1. CatNorth 目录的应用： 首次利用高纯度、大样本（150 万）的 CatNorth 类星体候选体目录进行宇宙学结构增长研究，证明了其优于 Quaia 目录的完整性和红移精度。
2. 高效的系统误差修正方法： 提出并验证了一种基于神经网络的选择函数构建方法。该方法在处理大规模巡天数据时，在内存效率和计算速度上优于传统的 Gaussian Process 方法，并能有效抑制大尺度系统误差。
3. 对 S8 张力的新见解：
   • 证实了在低红移区域，类星体探针给出的 $S_8$ 值与 CMB 结果一致，不支持低红移存在显著的 $S_8$ 张力。
   • 指出高红移 $S_8$ 偏低主要是由数据质量（不完整性）和前景污染引起的，而非新物理。
   • 表明随着数据质量的提升（如 CatNorth），$S_8$ 张力可能得到缓解，暗示之前的张力可能部分源于系统误差。

5. 科学意义 (Significance)

• 独立验证： 提供了独立于 CMB 各向异性和星系弱透镜的 $S_8$ 约束，增强了宇宙学参数测量的可靠性。
• 方法论示范： 展示了如何利用机器学习处理大规模巡天中的复杂系统误差，为未来的 LSST、Euclid 和 CSST 等下一代巡天项目提供了重要的技术参考。
• 缓解张力： 研究结果表明，当使用更高质量的数据和更完善的系统误差修正时，$S_8$ 张力在低红移端可能并不显著。这提示未来的研究应更关注高红移样本的完整性和前景污染问题，而非急于引入新物理模型。
• 未来展望： 随着 Vera C. Rubin (LSST)、Euclid 和中国空间站巡天望远镜 (CSST) 的投入使用，类星体样本将覆盖更广的红移范围（$z \sim 3$）和更大的体积，有望最终解开 $S_8$ 张力的起源。

总结： 本文利用先进的机器学习技术和高质量类星体目录，重新审视了 $S_8$ 张力问题。结果表明，低红移宇宙结构增长与标准模型一致，而高红移的异常值主要源于观测限制。这项工作为理解宇宙结构增长提供了更稳健的观测约束。