来自星系的场级推断：BAO 重建

重子声波振荡（BAO）支撑了现代光谱星系巡天的关键宇宙学结果，但非线性引力演化限制了传统分析方法所能达到的精度。为克服这一限制，我们开发了用于 BAO 的场级推断方法，首先重建初始线性密度场，然后在其中拟合 BAO 信号。我们对三种重建方法进行了基准测试：（i）基于 Zel'dovich 近似的传统重建，（ii）使用混合有效场论的可微前向建模的显式场级推断，以及（iii）使用卷积神经网络增强传统重建的隐式场级推断。利用类似 DESI 的亮红星系（LRG）和亮星系巡天（BGS）目录，我们发现场级方法相对于传统重建显著锐化了 BAO 特征。对于 LRGs，显式场级推断将 BAO 尺度参数（$\alpha_{\rm iso}, \alpha_{\rm ap}$）的约束改善了 26%，而隐式推断将约束改善了 35%，对应优度指标提升 2.4 倍。对于密度更高、红移更低的 BGS 样本，场级推断能够从更小尺度提取信息，将约束改善幅度提升至 46%，对应优度指标提升 3.2 倍。至关重要的是，我们通过利用 1,000 个模拟实现进行了广泛的覆盖测试，解决了关于场级重建鲁棒性的长期担忧。我们的结果既无偏且统计上校准良好，即使在采用紧致的模拟信息先验和模型误设的情况下也能保持名义覆盖。