Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis

技术摘要：非高斯似然对 tSZ 功率谱宇宙学约束的影响

问题陈述
热萨巴耶夫-善德拉夫（tSZ）功率谱是探测宇宙学参数（特别是 $\sigma_8$ 和 $\Omega_m$）以及星系团天体物理学的主要手段。然而，其统计特性本质上是非高斯的。这种非高斯性源于在大尺度角尺度上，信号主要由稀有的、大质量的低红移星系团所主导，从而导致采样分布呈现正偏态。标准的宇宙学分析（例如 Planck 合作组的方法）通常假设功率谱服从高斯似然。虽然这种近似在高多极矩处（由于贡献分布在许多星系团之上）可能成立，但在低多极矩（$\ell < 1000$）处，它无法捕捉到偏度特征。缺乏能够捕捉这些非高斯统计特性的准确解析似然模型，这使得利用替代推断方法以确保无偏宇宙学约束变得十分必要。

方法论
作者采用基于模拟的推断（Simulation-Based Inference, SBI）来绕过对显式解析似然函数的需求。工作流程如下：

1. 前向建模：
   • 高斯模拟器： 一个基准模拟器生成使用固定协方差矩阵（包含四谱贡献）的多变量高斯分布功率谱，用于验证 SBI 流水线相对于标准方法的有效性。
   • 基于晕（Halo）的模拟器： 一个更真实的物理前向模型生成全天 Compton-$y$ 图。这涉及从 Tinker 等人 (2008) 的晕质量函数中对晕质量和红移进行泊松采样，分配广义 Navarro–Frenk–White (GNFC) 压力剖面 (Arnaud et al. 2010)，并进行束流卷积。此外还加入了前景残余（CIB、IR、RS）和相关噪声作为高斯随机场。
2. 神经密度估计：
   • 作者使用 sbi 包（PyTorch）训练深度神经网络，以直接学习后验分布（神经后验估计，NPE）或学习似然函数（神经似然估计，NLE）。
   • 使用了掩码自回归流（Masked Autoregressive Flow, MAF）架构。为了减轻训练随机性的影响，采用了 10 个独立训练的网络组成的集成模型，以形成稳健的后验估计。
3. 验证：
   • 首先使用真实的 Planck 数据针对标准高斯似然分析验证 SBI 框架。
   • 随后将其应用于由基于晕的前向模型生成的模拟数据集，以评估非高斯性的影响。
   • 进行收敛性测试以确定模拟数量，并进行覆盖度测试以确保推断的后验分布在统计上与真实参数一致。

核心贡献

• 首次将 SBI 应用于 tSZ： 本研究代表了将 SBI 应用于 tSZ 功率谱分析的首次尝试。
• 验证高斯近似： 该研究对 Planck 类巡天中标准的高斯似然假设进行了严格测试。
• 非高斯似然建模： 它展示了 NLE 能够准确学习并重现 tSZ 功率谱在低多极矩下的高度偏态非高斯采样分布，而高斯近似无法捕捉这一特征。
• 稳健性分析： 通过广泛的消融研究，作者区分了来自似然函数的真实物理差异与来自神经网络训练或有限模拟规模的潜在人工伪影。

结果

• 宇宙学约束： 仅使用多极矩 $\ell < 1000$ 时，高斯似然假设产生的宇宙学约束是无偏的。基于 SBI 的推断（包括 NPE 和 NLE）对于宇宙学参数组合 $F = \sigma_8(\Omega_m/B)^{0.40}h^{-0.21}$ 的结果与高斯似然结果高度一致。
• 前景约束： 虽然宇宙学约束保持稳定，但与高斯似然相比，基于 SBI 的推断显示出残余前景振幅的后验分布有轻微展宽。具体而言，基于 NLE 的红外源振幅（$A_{IR}$）的约束比高斯似然结果低约 $0.5\sigma$。
• 似然学习： NLE 方法成功学习了似然函数的非高斯结构，重现了在前向建模模拟中观察到的正偏态，而高斯近似在低多极矩处失效。
• 覆盖度： 覆盖度测试确认了基于 SBI 推断的后验分布是经过良好校准的，所有参数的偏差均小于 $0.06\sigma$。

意义与主张
本文声称，对于类 Planck 的 tSZ 分析（全天、特定噪声水平），标准的高斯似然假设对于宇宙学推断是足够准确的，因为它能产生无偏的关键参数约束。然而，作者强调 SBI 是一个至关重要的验证工具。它允许研究人员对超越解析近似的非高斯似然进行建模，揭示了可能被忽视的前景约束的细微差异。

作者指出，关于高斯似然充分性的结论可能不会自动推广到其他巡天，如 ACT 或南极望远镜（SPT），这些巡天观测的巡天面积较小，因此在更高的多极矩处会经历更大的样本方差和更强的非高斯性。此外，他们强调 SBI 提供了一个灵活的框架，可用于未来的应用，例如纳入压力剖面的不确定性、结合 tSZ 功率谱与星系团计数，以及分析高阶矩，这些都是传统解析似然难以处理的。这项工作表明，尽管高斯近似对于当前的 Planck 类约束是稳健的，但 SBI 为处理未来更高分辨率 CMB 巡天中复杂的统计特性提供了必要的路径。