Dans les premiers instants après le Big Bang, l'Univers s'est étendu plus vite que la lumière ne pouvait le traverser. Cette expansion a laissé une légère ondulation dans la répartition de la matière, comme les cercles à la surface de l'eau après qu'on y a jeté une pierre. Les traces de cette ondulation sont visibles aujourd'hui dans la façon dont les galaxies se regroupent en amas et en filaments.
Les astronomes ont appris à lire ces traces d'une nouvelle manière. Au lieu de ne regarder que les grandes concentrations, ils reconstituent l'ensemble du tableau, des plus grandes structures aux moindres détails. C'est comme reconstruire le jet initial de la pierre à partir de tous les cercles sur l'eau, y compris les plus faibles. La méthode utilise des simulations informatiques où des galaxies virtuelles naissent des mêmes conditions initiales que les galaxies réelles.
La précision a augmenté d'une fois et demie par rapport aux approches précédentes. Cela signifie que les futurs relevés du ciel, comme Euclid, pourront mieux séparer le signal des perturbations aléatoires. Et donc se rapprocher de la réponse à la question de ce qui a poussé l'Univers à s'étendre si rapidement dans les premières fractions de seconde.
tel que rédigé par les auteurs, en anglais 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.
La méthode compare des millions d'univers virtuels à l'univers réel afin de trouver les conditions initiales qui expliquent le mieux la configuration observée.