Thermal Sunyaev-Zeldovich (tSZ) power spectrum is one of the most sensitive methods to constrain cosmological parameters, scaling as the amplitude $\sigma_8^8$. It is determined by the integral over the halo mass function multiplied by the total pressure content of clusters, and further convolved by the cluster gas pressure profile. It has been shown that various feedback effects can change significantly the pressure profile, possibly even pushing the gas out to the virial radius and beyond, strongly affecting the tSZ power spectrum at high $l$. Energetics arguments and SZ-halo mass scaling relations suggest feedback is unlikely to significantly change the total pressure content, making low $l$ tSZ power spectrum more robust against feedback effects. Furthermore, the separation between the cosmic infrared background (CIB) and tSZ is more reliable at low $l$. Low $l$ modes are however probing very small volumes, giving rise to very large non-gaussian sampling variance errors. By computing the trispectrum contribution we identify $90<l<350$ as the minimum variance scale where the combined error is minimized. Using the measurement at this $l$ provides constraints that are almost as strong as using the entire power spectrum. We extend the work by the Planck collaboration by including a full trispectrum and feedback effects in the analysis. We perform a Markov-Chain Monte Carlo analysis over the two dimensional parameter space and find constraints on $\sigma_8$ by marginalizing over the feedback nuisance parameter.We obtain $\sigma_8 =0.820^{+0.021}_{-0.009}\left(\Omega_m/0.31\right)^{0.4}$, when fixing other parameters to Planck cosmology values. Our results suggest it is possible to obtain competitive cosmological constraints from tSZ without cluster redshift information, and that the current tSZ power spectrum shows no evidence for a low amplitude of $\sigma_8$.


翻译:热性 Sunyaev- Zeldovich (tSZ) 电源频谱是限制宇宙参数的最敏感方法之一, 以升幅 $\ sigma_ 8_ 8美元 缩放。 由光环质量函数的内分解乘总压力内容, 由集束气体压力剖面进一步搅拌。 已经显示, 各种反馈效应可以显著改变压力剖面, 甚至可能将气体推向空气半径之外, 强烈地影响TSZ以高1美元计的电源频谱。 动能参数参数和SZ- 质量缩放关系表明, 不太可能显著改变总压力内容, 使低值 $ $ 0 的 tSZ 电源谱增加, 并且由光谱分析显示 0. 0美元 0. 0美元 和 美元 的内值增加值 。

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关VIP内容
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员