Modelagem Direta Diferenciável para Inferência de Cisalhamento Eficiente e Precisa

Os próximos levantamentos ópticos de energia escura do Estágio IV, como o Large Synoptic Survey Telescope (LSST), possuem o ambicioso objetivo de medir parâmetros cosmológicos com precisão elevada. Para que todo o seu potencial científico seja plenamente realizado, é crucial obter uma medição extremamente precisa do sinal de cisalhamento cósmico e, concomitantemente, controlar as sistemáticas associadas. A inferência de cisalhamento é um desafio complexo que exige métodos robustos e eficientes para processar o vasto volume de dados esperado desses levantamentos, garantindo que os vieses sejam minimizados a níveis aceitáveis para a cosmologia de precisão.

Neste trabalho, apresentamos uma implementação moderna da estrutura de inferência de cisalhamento bayesiano, conforme detalhado por Schneider et al. (2014). Esta abordagem é aplicada sob a premissa de que a função de espalhamento do ponto (PSF) e o fundo do céu são conhecidos. Uma característica fundamental desta estrutura é a sua capacidade de propagar automaticamente o erro de medição do ruído de pixel de cada galáxia diretamente para a estimativa final de cisalhamento. Consequentemente, o método dispensa a necessidade de calibração externa para mitigar o viés induzido pelo ruído, simplificando o processo e aumentando a confiabilidade dos resultados.

Como uma primeira aplicação desta nova implementação, inferimos o cisalhamento cósmico posterior a partir de imagens simuladas. Essas simulações foram cuidadosamente projetadas para consistir em galáxias exponenciais isoladas, cujas propriedades de forma e níveis de ruído de pixel são análogas às esperadas nos dados do LSST. Este cenário simplificado permite uma avaliação controlada da performance do algoritmo, isolando os efeitos da inferência de cisalhamento em condições ideais antes de sua aplicação a dados mais complexos e realistas. A escolha de galáxias exponenciais reflete um modelo comum e bem compreendido na astrofísica.

Neste cenário simplificado, estimamos que o viés multiplicativo absoluto $|m|$ de nossa abordagem se mantém abaixo de $0, 9 \times 10^{-3} \, [3σ]$ quando a distribuição intrínseca das propriedades da galáxia é conhecida. Adicionalmente, o viés é inferior a $1, 3 \times 10^{-3} \, [3σ]$ quando essas distribuições são desconhecidas e precisam ser inferidas. Ambos os resultados demonstram que a precisão alcançada está dentro do rigoroso requisito do LSST, que estabelece um limite de $|m| < 1, 8 \times 10^{-3}$. Estes valores indicam a robustez e a adequação do método para os desafios de precisão impostos pelos futuros levantamentos cosmológicos.

Em termos de desempenho computacional, nosso algoritmo final de ajuste de galáxias, baseado em Monte Carlo via Cadeias de Markov (MCMC), é notavelmente eficiente. Ele produz amostras efetivas de propriedades de galáxias em aproximadamente $0, 45$ segundos por galáxia, utilizando uma única unidade de processamento gráfico (GPU) A100. A capacidade de gerar $300$ amostras efetivas por galáxia neste tempo demonstra a viabilidade da aplicação do método a grandes conjuntos de dados, um requisito essencial para levantamentos como o LSST, que processarão bilhões de galáxias. Esta eficiência é crucial para a escalabilidade da análise de cisalhamento.

Para aplicações futuras, nosso objetivo é generalizar o algoritmo para que possa lidar com a seleção, detecção e modelagem de vieses de cisalhamento de forma mais abrangente. Isso inclui a incorporação de efeitos de seleção de amostra, aprimoramentos nos modelos de detecção de galáxias e a consideração de vieses sistemáticos adicionais que surgem em dados reais de pesquisa. Tais avanços permitirão que a metodologia seja aplicada com sucesso a dados observacionais complexos, maximizando o potencial científico dos levantamentos de energia escura e contribuindo significativamente para a compreensão da cosmologia.