Miyatake2016EvidenceHaloAssembly
Brief
#
Main text
#
- 经典 halo 理论中 halo bias 仅和 halo mass 相关，但是 simulation 等证明了 halo assembly bias 的存在
- 使用 redMaPPer SDSS catalog，限定 richness 在 20-100 并且红移在 0.1-0.33 之间
- 使用所有成员到 cluster 中心的平均投影距离 R_mem 作为 concentration（或者其他 secondary property 的代替指标）
- 子样本的划分：先划分 richness-redshift 的网格，之后在每个网格中选取 concentration 差异最大的 cluster，可以确保两个样本具有大致相同的 richness-redshift 分布
- 对比两个 concentration 不同的样本的 WL 信号（fig1）
- 10Mpc/h 之内（1halo term）的信号大致相同，对应 1.9e14 halo mass
- 10Mpc/h 以上的信号有很大不同，更大 R_mem 的信号更高
- 对两个 population 进行拟合得到的结果是 halo mass 大致相同，但是 bias 分别是 3.67 和 2.17（fig2）
- 另外一种确认 bias 的方式是测量 clustering，对应的统计量是 $w_p(R)$
- large Rmem 同样对应于较高的 clustering 信号，并且超出统计误差范围（fig3）
- 除了 assembly bias 的其他 scenario 排除：
- projection effect 或者 halo orientation：一个可能是实际上 small Rmem population 具有更低的 halo mass 只是因为 projection effect 具有和另外一个 sub-sample 相当的 1halo term
- 但是 projection effect 一般会增大 Rmem 而不是减小
- 比较了 member velocity disperson 发现
- 两个 sub-sample 的中心星系属性不存在太大差异
- 按照 concentration 划分得到的 assembly bias 的幅度只有 25%，低于 this work 发现的 40%-60%
Thoughts
#
- WL 信号拟合中 bias 的拟合是通过 2halo term amplitude 得到的，这个 amplitude 代表 halo-matter correlation 所以和 bias 成正比
- 寻找 assembly bias 的主要困难在于控制 halo mass 相同
- 根据 Zu2017LevelClusterAssembly 的分析这里的两个 subsample 的主要差异是 projection 强度的差异，而 projection 更强的星系更容易出现在 dense 环境中
- null test 的结果来自于：同一个 LOS 方向的背景星系的数量增加会同步增加不同红移上的 cluster 的 projection effect