[論文レビュー] Local primordial non-Gaussianity from the large-scale clustering of photometric DESI luminous red galaxies

Mehdi Rezaie, Ashley J. Ross+47 more|arXiv (Cornell University)|Jul 4, 2023

Galaxies: Formation, Evolution, PhenomenaPhysics and Astronomy参考文献 85被引用数 3

ひとこと要約

本研究では、14,000 deg$^2$にわたるDES I Legacy Imaging Surveysから得た1,200万個の光度赤い星（LRG）の角度クラスタリングを用いて、局所的初期非ガウス性パラメータ $f_{\rm NL}$ を制約した。ニューラルネットワークと線形回帰を用いて系誤差を軽減した結果、$f_{\rm NL} = 47^{+14}_{-11}$（68%信頼区間）が得られ、$f_{\rm NL} > 0$ である確信度99.9%の傾向を示し、未考慮の系誤差やスケール依存の $f_{\rm NL}$ の可能性を示唆している。

ABSTRACT

We use angular clustering of luminous red galaxies from the Dark Energy Spectroscopic Instrument (DESI) imaging surveys to constrain the local primordial non-Gaussianity parameter $\fnl$. Our sample comprises over 12 million targets, covering 14,000 square degrees of the sky, with redshifts in the range $0.2< z < 1.35$. We identify Galactic extinction, survey depth, and astronomical seeing as the primary sources of systematic error, and employ linear regression and artificial neural networks to alleviate non-cosmological excess clustering on large scales. Our methods are tested against simulations with and without $\fnl$ and systematics, showing superior performance of the neural network treatment. The neural network with a set of nine imaging property maps passes our systematic null test criteria, and is chosen as the fiducial treatment. Assuming the universality relation, we find $\fnl = 34^{+24(+50)}_{-44(-73)}$ at 68\%(95\%) confidence. We apply a series of robustness tests (e.g., cuts on imaging, declination, or scales used) that show consistency in the obtained constraints. We study how the regression method biases the measured angular power-spectrum and degrades the $\fnl$ constraining power. The use of the nine maps more than doubles the uncertainty compared to using only the three primary maps in the regression. Our results thus motivate the development of more efficient methods that avoid over-correction, protect large-scale clustering information, and preserve constraining power. Additionally, our results encourage further studies of $\fnl$ with DESI spectroscopic samples, where the inclusion of 3D clustering modes should help separate imaging systematics and lessen the degradation in the $\fnl$ uncertainty.

研究の動機と目的

• DES I Legacy Imaging Surveysの光度赤い星の大型スケール角度クラスタリングを用いて、局所的初期非ガウス性パラメータ $f_{\rm NL}$ を測定すること。
• 特に銀河赤道付近の減光、調査深度、視界の悪さといった要因による、$f_{\rm NL}$ 評価のバイアスを特定し、これを軽減すること。
• 非宇宙論的クラスタリングを補正するための線形回帰と人工ニューラルネットワークの性能を評価すること。
• 画像品質、赤緯、スケール範囲などの変更やモデル仮定に応じた $f_{\rm NL}$ 制約のロバストネスをテストすること。
• 観測された $f_{\rm NL} > 0$ の結果が、残存する系誤差によるものか、スケール依存の $f_{\rm NL}$ モデルの兆候かを評価すること。

提案手法

• 14,000 deg$^2$ の領域にわたる1,200万個の光度赤い星（赤方偏移 $0.2 < z < 1.35$）の角度クラスタリングを用いる。
• 銀河赤道付近の減光、深度の変動、視界の悪さといった系誤差が引き起こす大スケール過剰クラスタリングを補正するために、線形回帰と人工ニューラルネットワークを適用する。
• ログノーマルシミュレーション（$f_{\rm NL}$ あり・なし）を用いて手法の妥当性を検証し、ニューラルネットワークが残存系誤差を線形回帰よりも効果的に低減することを示した。
• 最大尤度フレームワークを用いて $f_{\rm NL}$ を推定し、画像品質、赤緯、スケールカットに依存する感度をテストした。
• 標準インフレーションモデルを仮定し、クラスタリングバイアスと $f_{\rm NL}$ を結ぶ普遍性関係を用いた。
• 回帰に使用する画像マップの集合を変更したり、系誤差が顕著な領域を除外したりすることで、ロバストネスのチェックを実施した。

実験結果

リサーチクエスチョン

• RQ1 DES I調査における光度赤い星の角度クラスタリングから得られる局所的初期非ガウス性パラメータ $f_{\rm NL}$ の最良の推定値は何か？
• RQ2 銀河赤道付近の減光、調査深度、視界の悪さといった系誤差は、光度赤い星調査における $f_{\rm NL}$ 測定にどのように影響を与えるか？
• RQ3 線形回帰と人工ニューラルネットワークのどちらが、$f_{\rm NL}$ 評価における系誤差をより効果的に軽減できるか？
• RQ4 観測された $f_{\rm NL} > 0$ の結果は統計的に有意であり、未モデル化の系誤差や物理的スケール依存の $f_{\rm NL}$ モデルの兆候である可能性は何か？
• RQ5 赤緯範囲やスケールカットなどのデータ選択の変更に対して、$f_{\rm NL}$ 制約はどれほどロバストか？

主な発見

• 主な制約では、68%信頼区間で $f_{\rm NL} = 47^{+14}_{-11}$、95%信頼区間で $47^{+29}_{-22}$ が得られた。
• 分析では、$f_{\rm NL} > 0$ である確信度99.9%の傾向が確認され、標準的な $f_{\rm NL} = 0$ の仮説と強い統計的矛盾を示している。
• シミュレーションにおいて、ニューラルネットワークベースの系誤差補正が線形回帰を上回り、残存系誤差をより効果的に低減した。
• すべての画像マップに対して積極的な回帰を施すと、不確実性が増加し、最尤推定値が $f_{\rm NL} \sim 50$ にずれるが、これは大スケールクラスタリング情報の損失を伴う。
• 画像品質、赤緯、スケール範囲のカットを含むロバストネステストでは、一貫した $f_{\rm NL}$ 制約が得られ、結果の信頼性を支持した。
• 継続的な $f_{\rm NL} > 0$ の結果は、校正誤差や低ℓ減光テンプレートの不確実性といった未モデル化の系誤差、あるいはスケール依存の $f_{\rm NL}$ モデルの兆候を示唆している。