Monkey Bias: un nuovo approccio algoritmico alla teoria dei bias cosmologici

In cosmologia, il bias è il parametro che descrive la relazione tra la distribuzione dei traccianti osservabili (galassie, quasar, nubi di gas) e la distribuzione sottostan- te della materia oscura. Poiché la materia oscura non è direttamente osservabile, comprendere e modellare questa relazione è essenziale per estrarre informazioni co- smologiche studiando la struttura su grande scala della distribuzione statistica delle galassie. Gli approcci classici al bias, si basano su una procedura in due passi: si costruisce un’espansione dei traccianti in termini di operatori non lineari della ma- teria oscura e si espandono questi operatori in teoria delle perturbazioni assumendo un modello cosmologico. In questa tesi si introduce e si analizza il Monkey bias, un nuovo approccio algoritmico proposto da Fujita e Vlah (2020) che mira a costruire la relazione tra galassie e materia oscura in un unico, semplice procedimento. Par- tendo dalle simmetrie del problema e dalla particolare forma matematica dei termini non lineari nelle equazioni del moto dei traccianti, questo nuovo approccio genera sistematicamente tutti i possibili operatori dell’espansione del bias presenti ad un dato ordine perturbativo, vincolandone i coefficienti avvalendosi esclusivamente del- le relazioni di consistenza della struttura su grande scala, derivate dal principio di equivalenza. Questo nuovo metodo garantisce la costruzione di una base completa e generale di operatori ad ogni ordine perturbativo, che non dipende dal modello cosmologico assunto, permettendo così di legare la distribuzione di galassie osservata alla materia oscura sottostante in maniera model-independent.