В первые мгновения после Большого взрыва Вселенная раздулась быстрее, чем свет успевал её пересечь. Это расширение оставило лёгкую рябь в распределении материи — как круги на воде от брошенного камня. Следы той ряби видны сегодня в том, как галактики собираются в группы и нити.
Астрономы научились читать эти следы новым способом. Вместо того чтобы смотреть только на крупные скопления, они восстанавливают всю картину целиком — от самых больших структур до мелких деталей. Это как реконструировать исходный бросок камня по всем кругам на воде, включая самые слабые. Метод использует компьютерные симуляции, где виртуальные галактики рождаются из тех же начальных условий, что и реальные.
Точность выросла в полтора раза по сравнению с прежними подходами. Это значит, что будущие обзоры неба, такие как Евклид, смогут надёжнее отделить сигнал от случайных помех. А значит — ближе подойти к ответу, что заставляло Вселенную так стремительно раздуваться в первые доли секунды.
как её написали авторы, на английском 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.
Метод сравнивает миллионы виртуальных вселенных с реальной, чтобы найти те начальные условия, которые лучше всего объясняют наблюдаемую картину.