Xin Qiao

/home

/tools

/obsidian

~/Obsidians/ Korytov2019CosmoDC2SyntheticSky

Korytov2019CosmoDC2SyntheticSky

Brief #

  • 比较重要的内容是 sec5，星系 property 获取过程包括两步
    • 在 outer rim simulation 的基础上，根据 halo mass 匹配 universe machine 中的 halo 得到 stellar mass、SFR，然后建立模型得到 absolute magnitude 以及绝对 gr 和 ri color
    • 之后通过 absolute magnitude 以及颜色的距离/相似度在基于 AlphaQ 小型模拟运行得到的 galacticus library 中选取类似的星系，并且赋予 SED、disk/bulge、金属丰度、dust/emission 信息
  • 进行了一些相对于观测结果的额外修正，其中 cluster 方面参考了很多 redMaPPer 的结论

Intro #

  • 背景是为 LSST 2022 的正式运行准备 analysis pipeline
  • cosmoDC2 属于 mock catalog 范畴
  • 生成 mock catalog 的方式包括 hydro simulation、SAM 以及 empirical model
    • hydro simulation 的劣势在于成本较高并且调整 sub-grid 参数的难度较高
    • SAM 依赖 N-body simulation 给出的 merger tree 将重子物理过程参数化，难度在于对描述物理过程的参数进行校准
    • empirical model 包括 HOD、AM（比如 Buzzard catalog），缺点主要在于真实度不如上述方法，并且给出的属性整体是有限的
      • 这里提到了 DES MICE catalog、Euclid Flagship、Buzzard、ADDGALS（在 cardinal 中用到）
  • cosmoDC2 是为 DESC DC2 (data challenge 2) 准备的
    • 基于 outer rim N-body simulation，边长为 4.225Gpc
    • 结合了 empirical 方法和 SAM 方法
    • 覆盖 440deg2 的天区（未来可能覆盖到 5k deg2）、红移上限 3、magnitude limit 为 r-band 28
    • 星系具有 stellar mass、shape、SED、broad band flux、host halo 以及 WL 信息

Overview #

  • 大概的流程图如 fig1 所示
  • lensing pipeline 的做法是在观测 lightcone 内部计算 surface density 然后用 ray-tracing 模拟光子受到 surface density 的影响
    • output 是 lensing map，包括光子的 delection 以及 WL shear/convergence
  • empirical pipeline 借助了 universe machine，后者又建立在 MDPL2 的基础上
    • 根据 outer rim 提供的 merge tree 对 universe machine 中的星系进行 Monte Carlo resampling
    • output 是 baseDC2 galaxy catalog
  • SAM pipeline 的输出是 galacticus library
    • 从体积较小的 AlphaQ N-body simulation 出发，运行 galacticus 得到星系的各种详细性质
  • 以上三个 pipeline 的结果结合可以得到最终的 extragalactic catalog
    • 首先根据 baseDC2 catalog 中星系位置添加 WL 观测量
    • 为每一个 baseDC2 中的星系寻找 galacticus library 中性质最相近的 template，然后将 galacticus 输出（星系的详细性质）附加到 baseDC2 星系上
  • SAM 仅在小体积 N-body simulation 上运行一次，可以解决成本问题
    • 相对于观测的 calibration 可以通过微调 baseDC2 进行

Simulations #

  • 整体流程如 fig4 所示
  • outer rim 使用针对超算优化的 HACC (hardware/hybrid accelerated cosmology code)，运行在 IBM 超算 Mira 上
    • 边长是 4.225Gpc，粒子数 10240e3，粒子质量 2.6e9
    • 宇宙学采用 WMAP-7
    • 红移 10-0 一共有 101 个 snapshot，全量数据保存在 tape 上
  • AlphaQ 具有类似的粒子分辨率（1.6e9）但是边长只有 360Mpc
  • halo finder 使用 FoF 方法并且设定 linking length 为 0.168
    • merger tree 构建用到了 Rangel 2017 的新方法
  • 构建了 50k deg2（大约一个 octant）的 lightcone，红移上限 3
    • 红移 3 实际上超过了 4Gpc 的 box size，替代做法是用同样的数据三维旋转之后平铺延伸以覆盖更大的体积
      • 旋转可以避免虚假相关性（？）此外还需要警惕 box 边缘的相邻粒子相关性丢失
    • halo lightcone 的构建中首先将 FoF 的结果以及 merger tree 传递到 lightcone 中
      • 如果观测的时间/红移恰好位于两个 snapshot 中，并且在此期间发生了 merger，则假设 lightcone 观测到的始终是 merger 之后的单个 halo，然后从后一个 snapshot 向回进行 time reversal interpolation（fig3）

Weak lensing #

  • 根据 lightcone 中的粒子分布计算 lens shell 中的 surface density
    • shell 宽度和相邻 snapshots 之间的视线距离相符，大约 114Mpc
    • 实际计算的时候用的是相反方向的光子传播：光子从观察者（lightcone 原点）出发经过各个 source shell
    • ray tracing 使用 lenspix 库
  • fig6 对应于 z=1 时刻 100deg2 天区内的 convergence map
    • 子区域中 high convergence 点周围区域存在明显的 positive shear
  • 在三个红移上对比了 E-mode 功率谱和理论预期（来自 CosmicEmu）的符合程度（fig7），除了小尺度之外都保持 10% 以下的相对误差
  • 需要校正星系三维坐标在观测中的偏差：采用一阶近似计算星系位置的偏移

Galaxy catalog #

  • baseDC2 构建在 universe machine 的基础上，实际提取了 universe machine 提供的 stellar mass 以及 SFR
    • 使用 galsampler 为 outer rim 中的每一个 halo 添加 MDPL2 中的相似 mass 的 halo 所具有的星系属性，可以保留 universe machine 的核心的 halo mass -> (SFR, stellar mass) 关系
    • r-band 绝对星等依赖于 stellar mass 以及红移（eq1），其中依赖关系用 sigmoid function 拟合
    • 使用 double Gaussian 拟合 gr 和 ri color，Gaussian 分布的参数（包括两个 component 的 fraction）具有对 magnitude 以及红移的依赖（具有 sigmoid 形式）
    • 具体的参数确定是依赖观测的，也就是最终这组参数可以在 sec6 的 validation 中得到和观测一致的结果
    • 对于 cluster 环境需要单独修正
      • 超过 1e14 的 DM halo 对应的 stellar mass 应该更高（根据 huang 2018）
      • 根据 DES 给出的 MOR 发现这里对 richness 低估了 20%，所以针对 mass 13.5 以上的 halo 强制提升其 richness 20% 幅度
      • 这些修正的原因是 universe machine 没有针对 cluster 环境进行针对处理（参数没有针对这种情况下的 halo galaxy connection 进行微调）
    • 针对 ultra faint galaxy 的调整目标是 WL 以及 deblending 相关的 topic
      • 这类星系低于 outer rim 自身的分辨率
      • 手动添加的办法是：拟合 mass function 低质量端的 power law 并且进行外推
    • 对比 baseDC2 和 universe machine 给出的 HOD 参数比较一致（fig8）
      • universe machine HOD 和 SDSS 观测是相符的
  • galacticus 用于在星系位置、stellar mass、absolute magnitude 的基础上添加更详细的星系信息
    • galacticus 作为一种 SAM，通过一组 ODE 描述星系随时间的演化，包括 gas inflow/outflow、SF、SMBH growth、feedback 等过程
      • 其中明确划分 disk 和 bulge 两个组件
    • galacticus 可以将 SSP SED 和 SFH 进行卷积得到星系整体的 SED，针对 disk/bulge 分别输出
      • SED 数据可以转化为 LSST/SDSS/top-hat filter 下的 multi-band magnitude，可以用于后续的 photo-z 任务
    • 在 SED 基础上还需要加入 dust 和 emission 组分
    • 对 galacticus library 进行了初步的 clean（tab1）
  • 为了寻找 baseDC2 在 galacticus library 中的最近邻居，定义了 absolute magnitude, gr color, ri color 三维空间中的 Euclidean distance
    • 对于 red sequence galaxy 来说需要复现 c-z 关系，所以在原先距离基础上增加一个描述 color 和对应红移处 red sequence galaxy 偏差的额外距离项，包括观测系中的 gr/ri/iz 三个颜色
    • galacticus 构建在离散的 snapshot 上，而 baseDC2 构建在 lightcone 上具有精确的红移，所以匹配的时候需要在 galacticus 相邻 snapshot 之间进行 interpolation
    • 在亮端 baseDC2 星系系统性更亮，解决办法是减小 luminosity 匹配的权重，使得算法优先考虑颜色的匹配
    • 针对每个 baseDC2 星系选取十个最近的邻居并且从中随机分配一个
    • cosmoDC2 在借用 galacticus 属性的同时，保持了 baseDC2 中的 mag-color 分布（fig11）
  • 此外还需要进行一些 additional modeling
    • disk/bulge 服从一定的 size-luminosity 关系，并且这个关系随着红移演化
    • BH mass 根据 bulge mass 得到，Eddington ratio 分布随着红移变化
      • 建立星系 sSFR 和 eddington ratio 之间的 50% 关联（conditional AM），复现了「SF galaxy 对应的 BH 一般具有较高的 accreation rate」
    • 星系的 position angle 设定为完全随机分布，椭率计算为 disk 椭率和 bulge 椭率的 luminosity-weighted 平均值
  • 最终 catalog 包括 2.26 billion 星系，数据量是 5.2TB
    • 每个星系具有 551 个独立的属性（tbl2）

Validation #

  • 整体开发过程的目标是通过 LSST DESC 的自动化验证框架（DESCQA）
  • 选取 HSC DR1 deep layer（深度略差于 LSST，需要外推）进行 luminosity function 的对比（fig12）
    • 一致性部分地来自于 sec5.1.3 对 ultra faint galaxy 的特殊处理
  • 和 DEEP2 数据对比验证星系的红移分布（fig13），三个样本来自不同的星等 cut
  • 以 SDSS DR13 主样本为参考检验颜色分布
    • 由于 empirical 模型使用（rest frame 下）gr 和 ri 进行调整以及针对 red sequence 的特殊优化，这里的 ug 和 iz 等颜色出现了问题（fig14）：gr 和 iz 颜色偏红，ug 颜色偏蓝
  • 将角空间中的 2PCF 和 SDSS 观测进行对比，大体保持一致（fig15）
    • 对于亮星系样本在 1halo term 存在一些偏差
  • 制定一组选择标准模拟 SDSS LOWZ 的样本选择，之后执行 gg lensing 测量和 stacking，得到的 stacked WL 结果和 LOWZ 结果比较符合（fig16）

Limitation #

  • red sequence galaxy 具有 halo mass dependence，这和 redMaPPer 的核心假设冲突
    • 这里指的是在 Euclidean 距离中引入额外的颜色距离项使得 catalog 能复现 c-z 关系，但是这个额外项仅针对 1e13 以上质量的 halo 生效
    • 当前结果中 field/cluster 环境中的 red galaxy 存在系统性差异
  • 卫星星系的空间分布来自于 sub-halo 的定位，所以在某个半径上会被截断
  • 没有提供 X-ray/SZ 等气体信息，所以相比 hydro simulation 仍然有缺陷

Thoughts #

  • 其实就应该完全按照 box size 确定红移上限？
  • snapshot 到 lightcone 的转化计算比想象中更困难
  • 各种特殊处理实际上是某个版本在某一方面表现不佳之后打上的 patch
  • 需要寻找「根据现有 cluster 观测对 model 进行 calibration」的现象，因为可能导致 cycling
    • 5.1.2 对 cluster environment 的特殊处理
    • 5.3.1 对 red sequence 的特殊距离处理
  • LSST reference band 似乎是 r
    • r-band limit 28 所以如果进行 magnitude selection 的话应该会大幅减小数据体积

Data accessibility #

  • GitHub repo 的上一次提交时间是 2022
  • 可能通过 NERSC 读取更方便
  • GCRCatalog 可以帮助读取数据
back to top