[논문 리뷰] Local primordial non-Gaussianity from the large-scale clustering of photometric DESI luminous red galaxies

Mehdi Rezaie, Ashley J. Ross외 47명|arXiv (Cornell University)|2023. 07. 04.

Galaxies: Formation, Evolution, PhenomenaPhysics and Astronomy참고 문헌 85인용 수 3

한 줄 요약

이 연구는 DESI Legacy Imaging Surveys의 1,200만 개의 광학적 밝은 빨간색 성단(photometric luminous red galaxies)의 천구적 분포를 이용하여 국소적 초기 비정규성 파라미터 $f_{\rm NL}$을 제약한다. 신경망과 선형 회귀를 활용해 시스템적 편향을 완화한 결과, $f_{\rm NL} = 47^{+14}_{-11}$ (68% 신뢰수준)를 도출하였으며, $f_{\rm NL} > 0$에 대한 99.9% 신뢰수준의 선호도를 보였고, 이는 고려되지 않은 시스템적 요인 또는 스케일에 따라 변화하는 $f_{\rm NL}$ 모델의 가능성을 시사한다.

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.

연구 동기 및 목표

• DESI Legacy Imaging Surveys의 광학적 밝은 빨간색 성단의 대규모 천구적 분포를 이용하여 국소적 초기 비정규성 파라미터 $f_{\rm NL}$을 측정하는 것.
• 특히 은하계 외부 흡수, 조사의 깊이, 관측 품질 등이 광학적 조사에서 $f_{\rm NL}$ 추정치를 편향시키는 시스템적 요인을 식별하고 보완하는 것.
• 비우주론적 분포에 기인한 시스템적 요인을 보정하는 데 있어 선형 회귀와 인공 신경망의 성능을 평가하는 것.
• 이미징 품질, 천위, 스케일 범위 등의 다양한 자르기와 모델링 가정 하에서 $f_{\rm NL}$ 제약의 탄력성을 시험하는 것.
• 관측된 $f_{\rm NL} > 0$ 결과가 잔류하는 시스템적 요인의 영향인지, 아니면 스케일에 따라 변화하는 $f_{\rm NL}$ 모델의 신호인지 평가하는 것.

제안 방법

• 14,000 deg$^2$에 걸쳐 $0.2 < z < 1.35$의 적색편이를 가진 1,200만 개의 광학적 LRG의 천구적 분포를 사용한다.
• 은하계 외부 흡수, 깊이 변화, 관측 품질 등으로 인한 대규모 과잉 분포를 보정하기 위해 선형 회귀와 인공 신경망을 적용한다.
• 로그정규 시뮬레이션을 사용하여 방법을 검증하였으며, $f_{\rm NL}$과 시스템적 요인을 포함하거나 포함하지 않은 경우를 비교하여 신경망이 잔류 시스템적 요인을 더 효과적으로 감소시킴을 확인하였다.
• 최대우도 프레임워크를 사용하여 $f_{\rm NL}$을 추정하였으며, 이미징 품질, 천위, 스케일 자르기 등에 대한 민감도를 시험하였다.
• 표준 인플레이션 모델을 가정하고, 분포 편향과 $f_{\rm NL}$을 연결하는 보편성 관계를 사용한다.
• 이미징 지도 집합을 회귀에 사용하는 것과 시스템적 요인이 높은 영역을 제외하는 방식으로 다양한 조건에서 탄력성 검증을 수행하였다.

실험 결과

연구 질문

• RQ1 DESI 조사의 광학적 LRG 천구적 분포를 이용한 국소적 초기 비정규성 파라미터 $f_{\rm NL}$의 최적 추정치는 무엇인가요?
• RQ2 은하계 외부 흡수, 조사의 깊이, 관측 품질 등의 시스템적 요인이 광학적 조사에서 $f_{\rm NL}$ 측정에 어떻게 영향을 미치나요?
• RQ3 선형 회귀와 인공 신경망 중 어느 방법이 $f_{\rm NL}$ 추정에서 시스템적 요인을 더 효과적으로 보완합니까?
• RQ4 관측된 $f_{\rm NL} > 0$ 결과는 통계적으로 유의미한가요? 이는 모델링되지 않은 시스템적 요인 때문일까요, 아니면 물리적 스케일에 따라 변화하는 $f_{\rm NL}$ 모델의 신호일까요?
• RQ5 이미징 품질, 천위 범위, 스케일 자르기 등의 데이터 선택 기준 변화에 대해 $f_{\rm NL}$ 제약는 얼마나 탄력적인가요?

주요 결과

• 주요 제약 결과로는 68% 신뢰수준에서 $f_{\rm NL} = 47^{+14}_{-11}$이며, 95% 신뢰구간은 $47^{+29}_{-22}$이다.
• 분석 결과 $f_{\rm NL} > 0$에 대해 99.9%의 신뢰수준에서 선호도를 보였으며, 이는 표준 $f_{\rm NL} = 0$ 가설과 강한 통계적 긴장이 있음을 시사한다.
• 시뮬레이션 결과에 따르면 신경망 기반의 시스템적 요인 보정이 선형 회귀보다 더 효과적으로 잔류 시스템적 요인을 감소시켰다.
• 모든 이미징 지도에 대해 강력한 회귀를 적용할 경우 불확실성이 증가하고 최대우도 추정치가 $f_{\rm NL} \sim 50$으로 이동하지만, 이는 대규모 분포 정보를 제거하는 데 따른 대가이다.
• 이미징 품질, 천위, 스케일 범위 등의 자르기 조건을 변화시킨 탄력성 검증 결과, $f_{\rm NL}$ 제약는 일관되게 유지되었으며, 결과의 신뢰성을 뒷받침한다.
• 지속적인 $f_{\rm NL} > 0$ 결과는 校정 오차 또는 저주파수 외부 흡수 템플릿의 불확실성 등 모델링되지 않은 시스템적 요인의 가능성을 경고하거나, 스케일에 따라 변화하는 $f_{\rm NL}$ 모델의 신호일 수 있음을 시사한다.