[论文解读] Map-based cosmology inference with lognormal cosmic shear maps

Supranta S. Boruah, Eduardo Rozo+1 more|arXiv (Cornell University)|Apr 27, 2022

Statistical Methods and Inference被引用 4

一句话总结

该论文提出了一种基于地图的宇宙学推断框架，将宇宙汇聚场建模为弱引力透镜剪切数据条件下的对数正态随机场，实现了宇宙学参数与质量图的联合推断。通过捕捉非高斯特征并考虑跨红移bin的协方差，该方法在LSST-Y10数据中相比标准两点函数方法，使σ₈–Ωₘ的宇宙学约束提升了30%。

ABSTRACT

Most cosmic shear analyses to date have relied on summary statistics (e.g. $ξ_+$ and $ξ_-$). These types of analyses are necessarily sub-optimal, as the use of summary statistics is lossy. In this paper, we forward-model the convergence field of the Universe as a lognormal random field conditioned on the observed shear data. This new map-based inference framework enables us to recover the joint posterior of the cosmological parameters and the convergence field of the Universe. Our analysis properly accounts for the covariance in the mass maps across tomographic bins, which significantly improves the fidelity of the maps relative to single-bin reconstructions. We verify that applying our inference pipeline to Gaussian random fields recovers posteriors that are in excellent agreement with their analytical counterparts. At the resolution of our maps -- and to the extent that the convergence field can be described by the lognormal model -- our map posteriors allow us to reconstruct \it all m summary statistics (including non-Gaussian statistics). We forecast that a map-based inference analysis of LSST-Y10 data can improve cosmological constraints in the $σ_8$--$Ω_{ m m}$ plane by $\approx 30\%$ relative to the currently standard cosmic shear analysis. This improvement happens almost entirely along the $S_8=σ_8Ω_{ m m}^{1/2}$ directions, meaning map-based inference fails to significantly improve constraints on $S_8$.

研究动机与目标

• 开发一种基于地图的推断框架，以比传统两点统计方法更有效地捕捉弱引力透镜剪切数据中的非高斯宇宙学信息。
• 解决现有基于地图方法的局限性，包括分辨率粗糙、单bin重建以及固定宇宙学参数等问题。
• 通过贝叶斯前向建模方法结合对数正态先验，实现宇宙学参数与二维汇聚场的联合推断。
• 通过正确考虑分层红移bin之间的协方差，提升质量图的保真度。
• 预测该方法在即将开展的LSST-Y10数据中的宇宙学约束增益。

提出的方法

• 该方法采用贝叶斯前向建模框架，在多变量对数正态先验下对2D汇聚场进行采样，条件于观测到的宇宙剪切数据。
• 通过马尔可夫链蒙特卡洛（MCMC）采样求解后验分布，联合推断宇宙学参数与汇聚场。
• 该框架考虑了分层红移bin之间的交叉相关性，显著提升了地图重建的保真度，优于单bin方法。
• 采用对汇聚场给定剪切数据的似然函数的高斯近似，实现了联合后验分布的高效采样。
• 在高斯随机场上的验证表明，该方法与解析后验结果高度一致。
• 该方法被扩展以处理类似LSST-Y10的真实模拟，整合了真实的源红移分布和噪声模型。

实验结果

研究问题

• RQ1 基于地图的推断框架若将汇聚场建模为对数正态随机场，是否能比两点统计方法更精确地恢复宇宙学参数与质量图？
• RQ2 在分层剪切数据中考虑跨bin协方差，如何改善质量图重建与宇宙学约束？
• RQ3 对数正态先验在多大程度上能捕捉汇聚场中的非高斯特征（如峰值与空洞）？
• RQ4 在LSST-Y10数据中，使用基于地图的推断方法相较于标准功率谱分析，宇宙学约束精度的提升程度如何？
• RQ5 在包含形状噪声与光度红移不确定性的实际观测条件下，该方法的性能如何？

主要发现

• 在高斯随机场上的测试中，该基于地图的推断框架恢复的宇宙学后验分布与解析期望高度一致。
• 在对数正态模型下，该方法成功重建了所有汇总统计量，包括非高斯统计量（如峰值与空洞计数）。
• 在分层红移bin中考虑跨bin协方差，相比单bin重建，显著提升了质量图的保真度。
• 在类似LSST-Y10的模拟中，该方法在σ₈–Ωₘ平面上的宇宙学约束相比标准两点函数分析提升了约30%。
• 该提升几乎完全沿S₈ = σ₈Ωₘ¹ᐟ²方向，表明对S₈的约束改善有限。
• 当对数正态模型成立时，该方法对先验误设具有鲁棒性；但若存在小尺度非高斯性，则可能需要更先进的先验（如归一化流或GANs）。