En los primeros instantes tras el Big Bang, el universo se infló más rápido de lo que la luz podía cruzarlo. Esa expansión dejó una leve ondulación en la distribución de la materia, como las ondas en el agua tras lanzar una piedra. Las huellas de esa ondulación se ven hoy en cómo las galaxias se agrupan en cúmulos y filamentos.
Los astrónomos han aprendido a leer esas huellas de una manera nueva. En lugar de mirar solo las grandes agrupaciones, reconstruyen el panorama completo, desde las estructuras más grandes hasta los detalles más finos. Es como reconstruir el lanzamiento original de la piedra a partir de todas las ondas en el agua, incluidas las más débiles. El método utiliza simulaciones informáticas donde las galaxias virtuales nacen de las mismas condiciones iniciales que las reales.
La precisión ha aumentado una vez y media en comparación con los enfoques anteriores. Esto significa que los futuros sondeos del cielo, como Euclid, podrán separar la señal del ruido aleatorio de manera más fiable. Y, por tanto, acercarse más a la respuesta de qué hizo que el universo se inflara tan vertiginosamente en las primeras fracciones de segundo.
tal como lo escribieron los autores, en inglés arXiv:2603.20855
Local primordial non-Gaussianity, parameterised as $$f_{\rm NL}^{\rm local}$$, will be stringently constrained using state-of-the-art methods applied to next-generation galaxy redshift survey data. In this paper, in preparation for the upcoming data sets, we demonstrate for the first time the joint field-level inference of $$f_{\rm NL}^{\rm local}$$, nuisance parameters, and the initial conditions in realistic halo catalogues, ones which are generated through full dark-matter-only $$N$$-body simulations. The field-level inference algorithm optimally constrains $$f_{\rm NL}^{\rm local}$$ through a Bayesian forward-modelling approach at the field level, which outperforms traditional methods by leveraging the full statistical power of the data at the scales considered. In addition, we assess its performance under various design choices in the forward model, including tests of the structure formation model and resolution. We demonstrate the robustness of our approach by applying it to a subset of the \textit{Quijote} simulation suite, performing the inference at scales down to $$k_{\rm max} \approx 0.1 h \rm{Mpc}^{-1}$$. Compared with a power spectrum and bispectrum estimator, we find a $$\sim1.3$$ improvement in $$\sigma(f_{\rm NL}^{\rm local})$$ when applying \borg{}, while marginalising over the initial conditions and bias parameters. From the small-scale information sensitivity tests, we show that the constraints on $$f_{\rm NL}^{\rm local}$$ improve as we increase the resolution of the inference. These findings underscore the transformative potential of field-level inference to leverage the information available in ongoing surveys such as \textit{Euclid}, providing accurate insights into the physics of cosmic inflation and the number of fields driving it.
El método compara millones de universos virtuales con el real para encontrar las condiciones iniciales que mejor explican el panorama observado.