Xin Qiao

/home

/tools

/obsidian

~/Obsidians/ Manjon-Garcia2026EuclidGalaxyCluster

Manjon-Garcia2026EuclidGalaxyCluster

Brief #

  • 在模拟 WL 观测中对比了 9 种算法，以 completeness 为主要 objective 选取其中四种的联合作为下一步的方法
    • 选取标准实际上是「是否和已入选的其他算法具有不同的选择函数」
  • 探测数量大概是 1-3 deg-2（在 Euclid 观测条件下），相比 optical cluster finder 可能低 3-5 倍左右
  • 红移采用重叠 binning（比如红移高于 0.2、高于 0.6、……）比分立 binning 有更好的效果，进一步使用 tomography 的效果没有太大提升

Intro #

  • WL 的优势就在于示踪的是 100% 的 matter，对比之下 ICM/stellar component 仅占据 12% 和 3%
  • Euclid 已有的 DR 包括 ERO（10deg2）以及 Q1（63deg2），后者已经有一篇 WL cluster finder 的工作

WL formalism #

  • 全文都采用 reduced shear 等同于 shear 的假设

Synthetic WL observations #

  • N-body simulation 来自 DEMNUni-Cov
    • 模拟了 12 个天区共计 1200deg2 的光锥观测
  • 分别用 FoF 和 subfind 识别 halo/subhalo
  • MapSim 模拟每一个 shell 处的粒子质量分布，然后计算 convergence 和 shear map
    • 星系的分布完全均匀（不考虑 clustering），红移分布来自 COSMOS2015
    • 对应 30 arcmin-2 的 source density
  • 模拟 shape noise（0.26）、photo-z error（0.05 并且叠加 10% 的 outlier fraction）、mask（占据 22% 面积）

Algorithms #

  • 9 种方法可以参考 tbl1，大致包含了几个类别：
  • Gaussian filter（DoG）就是用 Gaussian 对 shear map 进行卷积（一共进行两次）
  • aperture mass filter 指的是将 shear map 和 filter 卷积，或者等价地将 convergence 和 compensated filter 卷积（可以参考 O21 的推导）
    • compensated filter 的好处在于在 noise 上的测量值为 0，并且（等价地）可以避免 mass-sheet degeneracy
  • special apertures 包括 AMICO-WL、damped filter、TANH 以及 multi-scale wavelet filters
    • 最后一类指的是将数据分解到不同空间频率上进行探测
  • fig1 给出了各个方法的 radial power spectrum

Challenge analysis #

  • 考验在一定 mass-redshift 关系以上的 DM halo 的 recovery rate（fig2）
  • 使用 ranked geometrical matching 和 maximum matching distance 两种匹配方式
  • 最终 cluster finder performance 用以下指标衡量
    • completeness, purity
    • masking loss
    • tomographic mode 下的提升
    • false association rate

Result #

  • 以下结果固定 90% purity 进行对比（也就是 threshold 设定到 purity 下降到 90% 的位置）
  • GM 下 AMICO-WL 和 DoG 表现最佳，之后是 O21 和 W234（fig3 left）
    • MMD 下 W234、J04、DoG 和 S96 的表现最佳，但是 MMD 分数受到 false association 的影响（也就是 high completeness 是用 false positive 为代价的）
  • 施加 22% mask 之后各个方法得到的 cluster 数量都出现了很大的下降（fig4）
  • fig5 给出了各种算法组合之间的对比
    • figA1 和 figA2 也是同样的主题，其中 figA2 提供了每一对 pair 之间的 matching performance
    • 一个基本的结论是 selected 4 algorithms 基本是最佳的算法组合，也就是组合之后可以实现最优的探测表现
      • 选取算法的标准实际上是：是否能找到其他算法无法找到的 cluster（比如 J04 基本被 W234 完全覆盖）
  • AppB 的内容是不同红移 binning 或者 tomography 策略
    • 结论是采用重叠的红移 bin 相比非重叠会有更好的效果，并且对于原本表现就较好的算法使用 tomography（相比重叠 binning）提升不太大
  • 最终预测了 Euclid WL cluster 的数量：大概在 1-3 deg-2 左右
    • DR1 面积大约 2000deg2，而最终 EWS 面积 14k deg2
    • Euclid Q1 的 optical cluster catalog 密度是 6.8 deg-2

Thoughts #

  • completeness 分布在 0-10% 之间，说明 WL 仍然只能探测较大质量的 halo
  • 其实应该再关注 purity 一些？有些算法可以找到某些特殊的 cluster，但是也可能引入特殊的污染
    • 尤其是四个 90% purity 样本重叠之后的 purity 必然低于 90%
  • cluster 面密度其实高度取决于红移上限？
    • 红移上限就在 0.8-1 左右，高红移 WL 的问题在于 background source 数量不足
  • 没有模拟 IA 以及任何的 galaxy clustering effect
back to top