星系巡天宇宙学的Alcock-Paczynski创新方法

We will study a new Alcock-Paczynksi (AP) method for testing cosmologies from galaxy redshift surveys. The new AP method, proposed in Li et al. 2014, searches for the redshift dependence of anisotropy in galaxy distribution to probe the AP effect and avoid the large contamination coming from redshift space distortions. It can extract information from small galaxy clustering scales of 6-40 Mpc/h. In 2016, the applicant and his collaborators applied this method to the Sloan Digital Sky Survey galaxies, and found the method doubles the cosmological information extracted from the data. As a result, they improved the constraints on the dark energy ratio and dark energy equation of state by 30-40%...In this project we will solve a series of problems in the current AP method, i.e., the immature method of systematics correction, the ignoring of cross-correlation among high redshift galaxies, the very high cost of computation, and the lack of cosmological applications. This makes the method ready for its application to future galaxy surveys. The scientific goal of this project is to increase the scientific outputs of large scale structure surveys such as the Chinese Space Station Telescope and the Large Optical Telescope, and helps cosmologists to better probe the expansion history of the universe and the properties of dark energy.

本项目研究对象为星系巡天宇宙学分析的Alcock-Paczynski（AP）创新方法。该方法通过寻找大尺度结构径向-角向不对称性随红移的演化，来找到AP效应的宇宙学信号，克服红移畸变干扰，从6-40Mpc/h的较小尺度星系成团中提取宇宙学信息。申请人与合作者在2016年首次将该方法应用到斯隆巡天数据中，发现该方法能将数据中提取出的宇宙学信息增加一倍，把暗能量比例、状态方程的限制精度提高30-40%。..本项目将致力于解决目前AP创新方法中存在的一些缺陷，包括系统误差扣除不完善、未考虑高红移星系间关联、计算耗时巨大、宇宙学应用未能详细研究等，为该方法在未来巡天实验中的应用作好准备。本项目的开展可提高我国空间站望远镜、12米光学望远镜等大项目的科学产出，从而更好地探测宇宙膨胀历史、了解暗能量的神秘性状。

项目负责人开发的切片Alcock-Paczynski（AP）方法通过观察红移演化的方法克服红移畸变带来的巨大干扰，能够比较可靠地在非线性尺度提取AP效应包含的宇宙膨胀历史信息。为了成熟和完善这一方法，开展本课题的研究，为方法在第四代暗能量巡天的应用做好准备。本项目取得的成果包括：1）完成了更可靠的协方差矩阵计算，对统计误差进行了更全面的估计。2）开发了系统误差快速估计的策略，为大数据应用作好准备。3）优化算法，大大提高了方法似然函数的计算速度。相关程序发布在github上。4）利用更为完善的方法，应用到SDSS数据，得到了非参数化暗能量状态方程、宇宙曲率、哈勃常数、中微子等宇宙学参数限制，将它们精度提高了20%-50%不等。5）利用本项目的支持，还开展了beta-网络、密度加权关联函数、人工智能宇宙学分析等研究工作。以上工作大大发展和完善了切片AP方法，为它在未来实验中的应用扫平了很多障碍，具有重要的科学意义。

内容获取失败，请点击重试