[논문 리뷰] Comparing cosmic shear measures - Optimizing the Information content of cosmic shear data vectors

T. F. Eifler, M. Kilbinger외 1명|ArXiv.org|2007. 08. 30.

Galaxies: Formation, Evolution, Phenomena참고 문헌 33인용 수 11

한 줄 요약

이 논문은 공명 빛의 두 점 상관 함수 ($\vec{\xi}$)와 개구부 질량 분산 ($\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$)을 조합하여 우주론적 정보를 최대화하면서 상관관계와 B-모드 오염을 최소화하는 최적화된 은하 왜곡 데이터 벡터 $\vec{\mathcal{N}}$를 제안한다. 새로운 벡터는 파arameter 제약 조건에서 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$를 능가하며, $\vec{\xi}$처럼 B-모드 시스템적 오차에 매우 민감하지 않아 안정성이 뛰어나다.

ABSTRACT

We introduce an optimized data vector of cosmic shear measures (N). This data vector has high information content, is not sensitive against B-mode contamination and only shows small correlation between data points of different angular scales. We show that a data vector of the two-point correlation function (2PCF) in general contains more information on cosmological parameters compared to a data vector of the aperture mass dispersion. Reason for this is the fact that lacks the information of the convergence power spectrum (P_κ) on large angular scales, which is contained in the 2PCF data vector. Therefore we create a combined data vector N, which retains the advantages of and in addition is also sensitive to the large-scale information of P_κ. We compare the information content of the three data vectors by performing a detailed likelihood analysis and use ray-tracing simulations to derive the covariance matrices. In the last part of the paper we contaminate all data vectors with B-modes on small angular scales and examine their robustness against this contamination.The combined data vector strongly improves constraints on cosmological parameters compared to . Although, in case of a pure E-mode signal the information content of the 2PCF is higher, in the more realistic case where B-modes are present the 2PCF data vector is strongly contaminated and yields biased cosmological parameter estimates. N shows to be robust against this contamination. Furthermore the individual data points of N show a much smaller correlation compared to the 2PCF leading to an almost diagonal covariance matrix.

연구 동기 및 목표

• 우주론적 파arameter 추정에서 최대의 정보량을 갖는 은하 왜곡 데이터 벡터를 최적화하기 위해.
• 기존 측정 방법의 한계를 해결하기 위해: $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$는 대규모 파워 스펙트럼 정보가 부족하고, $\vec{\xi}$는 상관관계가 높고 B-모드 오염에 매우 민감하다.
• 특정 지역에 국한된 정보와 E/B-모드 분리 능력을 유지하면서도 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$에서 손실된 대규모 정보를 복구할 수 있는 하이브리드 데이터 벡터를 개발하기 위해.
• 약한 렌징 설문에서 주요 시스템적 오차 원인인 B-모드 오염에 대한 강건성을 평가하기 위해.

제안 방법

• 저자들은 측정된 공분산 행렬을 사용한 레이 트레이싱 시뮬레이션에서 우도 분석을 통해 정보량을 비교한다.
• 두 점 상관 함수 $\vec{\xi}$가 $\mathcal{P}_{\kappa}$의 모든 스케일, 특히 큰 각도 스케일까지 통합하므로 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$보다 더 많은 정보를 포함한다며 이를 도출한다.
• 대규모 스케일 정보를 복구하기 위해 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$에 단일 $\xi_{+}(\theta_0)$ 데이터 포인트를 추가하여 새로운 데이터 벡터 $\vec{\mathcal{N}}$를 구성한다.
• 정보량을 비교하기 위해 변환 행렬의 질량 기반 일반화된 $\chi^2$ 차이 형식을 사용하며, 이는 두 데이터 벡터 간의 변환 행렬의 랭크에 기반한다.
• 모의 시뮬레이션을 통해 시뮬레이션된 왜곡 카탈로그를 사용하고, 통계적 제약 조건을 평가하기 위해 전체 공분산 행렬을 계산한다.
• 모든 데이터 벡터에 인위적인 B-모드를 도입하여 강건성을 테스트하며, 동일한 우도 프레임워크를 사용한다.

실험 결과

연구 질문

• RQ1 두 점 상관 함수 ($\vec{\xi}$)는 개구부 질량 분산 ($\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$)보다 더 많은 우주론적 정보를 포함하는가?
• RQ2 하나의 병합된 데이터 벡터 $\vec{\mathcal{N}}$는 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$의 장점을 유지하면서도 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$에서 누락된 대규모 정보를 복구할 수 있는가?
• RQ3 새로운 데이터 벡터 $\vec{\mathcal{N}}$는 $\vec{\xi}$와 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$에 비해 파arameter 제약 조건에서 어떤 성능을 보이는가?
• RQ4 $\vec{\xi}$, $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$, $\vec{\mathcal{N}}$는 왜곡 신호의 B-모드 오염에 얼마나 민감한가?
• RQ5 $\vec{\mathcal{N}}$의 개별 데이터 포인트는 얼마나 상관되어 있으며, 이는 통계적 추론에 영향을 미치는가?

주요 결과

• $\vec{\xi}$는 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$에서 누락된 대규모 파워 스펙트럼 정보를 캡처하므로, $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$보다 더 많은 정보를 포함한다.
• 단일 $\xi_{+}(\theta_0)$ 포인트를 통해 대규모 스케일 정보를 통합함으로써 $\vec{\mathcal{N}}$는 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$보다 우주론적 파arameter 제약 조건을 크게 향상시킨다.
• 비록 $\vec{\xi}$가 더 높은 내재적 정보량을 지니지만, B-모드 오염으로 인해 심각하게 오염되어 우주론적 파arameter 추정에 편향을 초래한다.
• $\vec{\mathcal{N}}$는 B-모드 오염에 대해 강건하여, B-모드가 존재하더라도 편향 없는 제약 조건을 유지한다.
• $\vec{\mathcal{N}}$의 개별 데이터 포인트는 $\vec{\xi}$에 비해 훨씬 낮은 상관관계를 보이며, 거의 대각형 공분산 행렬을 형성한다.
• $\vec{\mathcal{N}}$의 정보량은 $\vec{\langle M_{\mathrm{ap}}^{2}\rangle}$의 국소화 특성과 $\vec{\xi}$의 대규모 민감도를 균형 있게 조합함으로써 최대화된다.