原初非高斯性的层次化总结

Stage IV 星系红移测量 survey 如 DESI 和 Euclid 的出现标志着精密宇宙学时代的开端，其关键目标之一是检测原初非高斯性 (PNG)，这是潜在的增强模型物理学信号。在特定情况下，以 $f_{\rm NL}$ 为参数化的局部型 PNG �幅值若能达到 $\sigma_{f_{\rm NL}} \sim 1$，将为单场 versus 多场增强场景的关键性测试提供数据。虽然当前的大尺度结构和宇宙微波背景分析已实现 $\sigma_{f_{\rm NL}} \sim 5$-$9$，但进一步改进需求新颖的数据压缩策略。我们提出一种混合估计器，层次化地将标准 $2$ 点和 $3$ 点统计量与场级神经网络总结相结合，灵感来自最新理论工作表明此组合近乎最优，从而实现原初非高斯性与后期非高斯性的分离。我们采用 PatchNet——一种从星系密度场的子体积（patch）中提取小尺度信息的卷积神经网络，而大尺度信息则通过功率谱和双峰谱保留。基于 Quijote-PNG 模拟，我们在各种红移、暗物质质量切割和尺度切割条件下评估了该组合估计器的 Fisher 信息。我们的结果表明，包含基于 patch 的场级压缩总能提升对 $f_{\rm NL}$ 的约束，在较低 $k_{\rm max}$（$\sim 0.1 \, h \, \text{Mpc}^{-1}$）处可实现 $30$-$45\%$ 的提升，并捕获超出双峰谱的信息。该方法为紧缩未来 survey 数据中的 PNG 约束提供了一种计算高效且可扩展的路径。