[论文解读] Reconstructing Small Scale Lenses from the Cosmic Microwave Background

Benjamin Horowitz, Blake D. Sherwin+1 more|arXiv (Cornell University)|Oct 27, 2017

Radio Astronomy Observations and Technology参考文献 1被引用 2

一句话总结

本文提出了一种梯度反卷积匹配滤波方法，用于重建小尺度宇宙微波背景（CMB）强引力透镜效应，为下一代CMB实验提供了一种计算效率更高的替代方案，优于次优的二次估计器——尤其在高红移星系团质量校准方面提升高达50%，且计算成本仅为最大似然法的极小部分，性能接近最大似然法。

ABSTRACT

Cosmic Microwave Background (CMB) lensing is a powerful probe of the matter distribution in the Universe. The standard quadratic estimator, which is typically used to measure the lensing signal, is known to be suboptimal for low-noise polarization data from next-generation experiments. In this paper we explain why the quadratic estimator will also be suboptimal for measuring lensing on very small scales, even for measurements in temperature where this estimator typically performs well. Though maximum likelihood methods could be implemented to improve performance, we explore a much simpler solution, revisiting a previously proposed method to measure lensing which involves a direct inversion of the background gradient. An important application of this simple formalism is the measurement of cluster masses with CMB lensing. We find that directly applying a gradient inversion matched filter to simulated lensed images of the CMB can tighten constraints on cluster masses compared to the quadratic estimator. While the difference is not relevant for existing surveys, for future surveys it can translate to significant improvements in mass calibration for distant clusters, where galaxy lensing calibration is ineffective due to the lack of enough resolved background galaxies. Improvements can be as large as $\sim 50\%$ for a cluster at $z = 2$ and a next-generation CMB experiment with 1$\mu$K-arcmin noise, and over an order of magnitude for lower noise levels. For future surveys, this simple matched-filter or gradient inversion method approaches the performance of maximum likelihood methods, at a fraction of the computational cost.

研究动机与目标

• 为解决标准二次估计器在小尺度CMB强引力透镜效应中表现次优的问题，特别是在未来低噪声极化与温度数据中的表现。
• 改善因缺乏背景星系而使弱引力透镜校准失效的高红移星系团的质量校准。
• 为CMB强引力透镜效应重建开发一种计算高效的替代最大似然方法。
• 评估梯度反卷积匹配滤波器在模拟CMB数据中对星系团质量约束紧致性的性能。

提出的方法

• 重新审视一种先前提出的基于直接反卷积CMB背景梯度以重建强引力透镜收敛率的方法。
• 在模拟的强引力透镜CMB图中应用匹配滤波器，以增强小尺度强引力透镜特征的信噪比。
• 在模拟观测中对比梯度反卷积方法与标准二次估计器的性能。
• 利用下一代CMB实验噪声水平（1 μK-arcmin）的模拟数据，量化质量约束精度的提升。
• 分析该方法在不同噪声水平和星系团红移下的性能表现，尤其关注z = 2的情况。
• 证明该方法在显著降低计算成本的前提下，性能接近最大似然估计。

实验结果

研究问题

• RQ1 为何在未来的低噪声实验中，即使在温度数据中，二次估计器在小尺度CMB强引力透镜效应中仍表现次优？
• RQ2 梯度反卷积匹配滤波器是否能在CMB强引力透镜效应中对星系团质量约束方面优于二次估计器？
• RQ3 在使用梯度反卷积方法时，对高红移星系团（如z = 2）的质量校准改善程度有多大？
• RQ4 梯度反卷积方法在精度方面在多大程度上接近最大似然估计的性能？
• RQ5 与最大似然法或二次估计器相比，梯度反卷积方法在计算成本上具有多大优势？

主要发现

• 在1 μK-arcmin噪声水平的下一代CMB实验中，该梯度反卷积匹配滤波器可使z = 2星系团的质量约束精度提升约50%。
• 在更低噪声水平下，该方法相对于二次估计器的性能提升超过一个数量级。
• 该方法在精度上接近最大似然方法，但计算成本仅为后者的极小部分。
• 该方法在高红移星系团中改善最为显著，因为这些区域缺乏足够背景星系，导致弱引力透镜校准失效。
• 该方法在低噪声极化与温度观测条件下尤为有效，此时二次估计器性能表现较差。
• 模拟结果证实，匹配滤波方法通过增强小尺度强引力透镜特征的信噪比，有效收紧了质量约束。