Астрофизики обобщили теорию ковариации для мультитрейсерных спектров мощности
Исследователи представили обобщённую теоретическую модель гауссовой ковариации для измерений спектров мощности в мультитрейсерном анализе. Работа опубликована на arXiv (номер 2606.12551) и адресована задаче, критически важной для текущих и будущих астрономических обзоров.
Современные обзоры, такие как DESI и Euclid, собирают данные с беспрецедентной точностью, позволяя изучать крупномасштабные кластеризации галактик и других объектов. Для извлечения космологической информации из этих данных необходимо точное моделирование ковариации — статистической меры взаимосвязи измерений. Оценки на основе симуляций требуют больших вычислительных ресурсов, поэтому аналитические подходы остаются востребованными.
Особый интерес вызывает мультитрейсерный анализ — одновременная обработка данных от нескольких типов объектов (например, галактик, квазаров, нейтрального водорода). Такой подход позволяет эффективно уменьшить космическую дисперсию. Кроме того, нечётные по чётности корреляции (parity-odd) в двухточечных статистиках дают возможность изучать релятивистские эффекты проекции на космологических масштабах.
Авторы обобщили предыдущие теоретические результаты для гауссовой ковариации мультитрейсерных спектров мощности. Они получили общее выражение, применимое как к вещественным (чётным), так и к комплексным (чётным и нечётным) спектрам. Работа начинается с рассмотрения обобщённого взвешенного оценщика, а затем демонстрирует, как формализм применяется к мультиполям спектра мощности Лежандра и двумерному спектру мощности.
Для проверки предсказаний исследователи провели гауссовы симуляции Монте-Карло. Результаты подтвердили точность модели. Кроме того, изучена структура ковариационной матрицы, включая эрмитовы свойства её мнимой части.
Разработанный формализм будет полезен при планировании и анализе данных будущих обзоров, где мультитрейсерные методы и поиск нечётных сигналов станут стандартными инструментами. Это позволит более эффективно использовать огромные объёмы наблюдений и снизить систематические ошибки.
