[论文解读] 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 3

一句话总结

本研究利用DESI遗产成像巡天在14,000 deg²范围内观测到的1,200万颗光度测量的明亮红巨星（LRG）的角功率谱，对局部原初非高斯性参数 $f_{\rm NL}$ 进行约束；通过采用神经网络与线性回归方法减轻系统误差，得到 $f_{\rm NL} = 47^{+14}_{-11}$（95%置信区间），在99.9%置信水平下偏好 $f_{\rm NL} > 0$，提示可能存在未被建模的系统误差或尺度依赖的 $f_{\rm NL}$ 模型。

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.

研究动机与目标

• 利用DESI遗产成像巡天中光度测量的明亮红巨星的大尺度角功率谱测量局部原初非高斯性参数 $f_{\rm NL}$。
• 识别并减轻系统误差（特别是银河系消光、巡天深度和大气视宁度）对光度巡天中 $f_{\rm NL}$ 估计值的影响。
• 评估线性回归与人工神经网络在修正由系统误差引起的非宇宙学聚集方面的能力。
• 在不同裁剪条件和建模假设下（包括成像质量、赤纬范围和尺度区间），检验 $f_{\rm NL}$ 约束的稳健性。
• 评估观测到的 $f_{\rm NL} > 0$ 结果是否源于残余系统误差，或暗示存在尺度依赖的 $f_{\rm NL}$ 模型。

提出的方法

• 利用DESI遗产成像巡天在14,000 deg²范围内、红移 $0.2 < z < 1.35$ 的1,200万颗光度测量LRG的角功率谱。
• 应用线性回归与人工神经网络，对由银河系消光、深度变化和视宁度等系统误差引起的过量大尺度聚集进行校正。
• 通过包含与不包含 $f_{\rm NL}$ 及系统误差的对数正态模拟验证方法，结果表明神经网络能更有效地减少残余系统误差。
• 采用最大似然框架估计 $f_{\rm NL}$，并测试其对成像质量、赤纬和尺度裁剪的敏感性。
• 利用普遍性关系将聚类偏置与 $f_{\rm NL}$ 联系起来，假设为标准暴胀模型。
• 通过改变回归中使用的成像图集集合以及排除系统误差较高的区域，执行稳健性检验。

实验结果

研究问题

• RQ1 DESI巡天中光度测量LRG的角功率谱能否提供局部原初非高斯性参数 $f_{\rm NL}$ 的最佳估计？
• RQ2 银河系消光、巡天深度和视宁度等系统误差如何影响光度巡天中 $f_{\rm NL}$ 的测量？
• RQ3 在 $f_{\rm NL}$ 估计中，线性回归与人工神经网络哪种方法更能有效减轻系统误差？
• RQ4 观测到的 $f_{\rm NL} > 0$ 结果是否具有统计显著性？其原因是否源于未建模的系统误差或真实的尺度依赖 $f_{\rm NL}$ 物理模型？
• RQ5 在数据选择方面（如赤纬范围或尺度裁剪）变化时，$f_{\rm NL}$ 约束的稳健性如何？

主要发现

• 主要约束结果为 $f_{\rm NL} = 47^{+14}_{-11}$（68%置信区间），95%置信区间为 $47^{+29}_{-22}$。
• 分析显示在99.9%置信水平下偏好 $f_{\rm NL} > 0$，表明与标准 $f_{\rm NL} = 0$ 假设存在显著的统计张力。
• 在模拟中，基于神经网络的系统误差校正方法优于线性回归，能更有效地减少残余系统误差。
• 对所有成像图集进行激进回归会增加不确定性，并将最大似然估计值推向 $f_{\rm NL} \sim 50$，但代价是损失了大尺度聚类信息。
• 稳健性测试（包括对成像质量、赤纬和尺度区间的裁剪）得到一致的 $f_{\rm NL}$ 约束，支持结果的可靠性。
• 持续存在的 $f_{\rm NL} > 0$ 结果提示可能存在未建模的系统误差，如校准误差或低ℓ消光模板不确定性，或暗示存在尺度依赖的 $f_{\rm NL}$ 模型。