Quijote-PNG：优化用于测量原初非高斯性的统计摘要量

我们将一系列不同的估计量应用于 Quijote-PNG 晕星表，以寻找在非线性宇宙学尺度（高达 $k_{\rm max} = 0.5 \, h\,{\rm Mpc}^{-1}$）约束原初非高斯性（PNG）的最佳方法。我们分析中考虑的统计摘要量集合包括功率谱、双谱、晕质量函数、标记功率谱和标记模态双谱。标记统计量在此首次被应用于 PNG 研究背景中。我们执行费雪分析以估计其宇宙学信息含量，结果表明加入标记可观测量后有了显著改善。基于这些摘要量，我们训练深度神经网络（NN）以执行宇宙学和 PNG 参数的无似然推断。我们评估了不同统计摘要量子集的性能；对于 $f_\mathrm{NL}^\mathrm{equil}$ 的情况，我们发现功率谱与合适的标记功率谱的组合优于功率谱与双谱的组合（后者通常是 PNG 分析中采用的基线统计量）。分析我们所识别统计量的最小化流程既可通过我们的机器学习算法实现，也可通过更传统的估计量实现（若认为后者更可靠）。