[论文解读] The clustering of galaxies in the completed SDSS-IV extended Baryon Oscillation Spectroscopic Survey: Primordial non-Gaussianity in Fourier Space

Eva-Maria Mueller, Mehdi Rezaie+13 more|arXiv (Cornell University)|Jun 25, 2021

Galaxies: Formation, Evolution, Phenomena被引用 23

一句话总结

本研究利用已完成的eBOSS巡天中343,708个类星体在傅里叶空间中的大尺度结构聚类，测量原初非高斯性，采用一种新颖的神经网络方法校正系统误差，并结合红移加权技术以优化灵敏度。结果报告在68%置信水平下，$f_{\mathrm{NL}}^\mathrm{local} = -12 \pm 21$，这是迄今为止来自大尺度结构的最紧约束之一，证明了先进系统误差抑制方法在未来的宇宙学巡天中的稳健性。

ABSTRACT

We present measurements of the local primordial non-Gaussianity parameter \fNLloc from the clustering of 343,708 quasars with redshifts 0.8 < z < 2.2 distributed over 4808 square degrees from the final data release (DR16) of the extended Baryon acoustic Oscillation Spectroscopic Survey (eBOSS), the largest volume spectroscopic survey up to date. Our analysis is performed in Fourier space, using the power spectrum monopole at very large scales to constrain the scale dependent halo bias. We carefully assess the impact of systematics on our measurement and test multiple contamination removal methods. We demonstrate the robustness of our analysis pipeline with EZ-mock catalogues that simulate the eBOSS DR16 target selection. We find $f_\mathrm{NL}=-12\pm 21$ (68\% confidence) for the main clustering sample including quasars with redshifts between 0.8 and 2.2, after exploiting a novel neural network scheme for cleaning the DR16 sample and in particular after applying redshift weighting techniques, designed for non-Gaussianity measurement from large scales structure, to optimize our analysis, which improve our results by 37\%.

研究动机与目标

• 利用迄今最大体积的光谱巡天所获得的大尺度结构聚类，约束局部原初非高斯性参数 $f_{\mathrm{NL}}^\mathrm{local}$。
• 通过利用原初非高斯性在类星体聚类中诱导的尺度依赖性晕 bias，改进暴胀模型的约束。
• 开发并验证一种稳健的分析流程，以减轻观测系统误差，尤其在原初非高斯性信号最敏感的大尺度区域。
• 证明在原初非高斯性测量背景下，先进系统误差校正方法——特别是神经网络方法——相较于标准线性回归技术的优越性。
• 通过优化系统误差控制与加权方案，使未来的大型大尺度结构巡天能够超越宇宙微波背景辐射对 $f_{\mathrm{NL}}$ 的约束。

提出的方法

• 分析类星体聚类在傅里叶空间中的功率谱单极矩，以从大尺度结构中提取尺度依赖性晕 bias。
• 应用针对原初非高斯性灵敏度优化的红移依赖性权重，以在红移范围 0.8 < z < 2.2 内最大化信噪比。
• 采用一种新颖的基于神经网络的污染清理方法，以校正如恒星密度和消光等观测系统误差，具体方法见 Rezaie 等人 (2021) 的研究。
• 使用复制了eBOSS DR16目标选择与观测系统误差的EZ-mock星表对流程进行验证。
• 将神经网络方法的结果与标准线性回归技术进行比较，以评估结果的稳健性与污染水平。
• 执行广泛的系统误差测试，包括红移加权与污染去除，以确保 $f_{\mathrm{NL}}$ 测量不受观测效应的影响。

Figure 1 : Histograms showing the quasar distribution $n(z)$ for the NGC as a function of redshift for bin of high and low photometric properties. The bins were chosen so that the number of quasars in each bin is equal. Nstar and E(B-V) refer to the stellar density and extinction respectively, while

实验结果

研究问题

• RQ1 从eBOSS DR16巡天中类星体聚类得出的局部原初非高斯性参数 $f_{\mathrm{NL}}^\mathrm{local}$ 的约束是什么？
• RQ2 不同系统误差抑制技术——特别是神经网络与线性回归——对 $f_{\mathrm{NL}}$ 测量稳健性的影响如何？
• RQ3 红移加权技术在多大程度上提升了大尺度结构巡天中 $f_{\mathrm{NL}}$ 约束的灵敏度？
• RQ4 在存在观测系统误差的情况下，傅里叶空间中的功率谱单极矩能否提供对 $f_{\mathrm{NL}}^\mathrm{local}$ 的稳健且精确的测量？
• RQ5 与以往基于大尺度结构的PNG测量相比，该分析流程在统计不确定性与系统误差控制方面的表现如何？

主要发现

• 测量结果为 $f_{\mathrm{NL}}^\mathrm{local} = -12 \pm 21$（68%置信水平），由于系统误差的优化抑制，精度显著提升。
• 基于神经网络的系统误差校正方法产生了稳健结果，而标准线性回归技术无法控制污染物，表明数据中存在未校正的系统误差。
• 与未加权分析相比，应用红移加权技术使最终的 $f_{\mathrm{NL}}$ 约束改善了37%，证明其在提升灵敏度方面具有关键作用。
• 经由EZ-mock星表验证的分析流程对观测系统误差表现出高度稳健性，尤其在原初非高斯性信号最显著的最大尺度区域。
• 本研究证实，像eBOSS这样的大尺度结构巡天能够实现对 $f_{\mathrm{NL}}^\mathrm{local}$ 的竞争性约束，未来有望超越基于宇宙微波背景的限制。
• 结果强调了先进系统误差抑制——尤其是基于机器学习的方法——在下一代巡天中实现 $\Delta f_{\mathrm{NL}} \sim 1$ 精度目标中的重要性。

Figure 2 : Mean density of the DR16 quasars vs imaging properties before imaging systematics correction (blue), after linear (red), and neural network (black) treatments in the NGC (top) and SGC (bottom) regions. The residual fluctuations are characterized using the $\chi^{2}$ statistics and covaria