Projected sensitivity of CTAO to axion-like particles from blazars with a machine learning approach

Problemstellung
Axion-ähnliche Teilchen (ALPs) sind hypothetische pseudoskalare Teilchen, die in verschiedenen Erweiterungen des Standardmodells vorhergesagt werden. Eine primäre Methode für deren Detektion beinhaltet die Mischung von Photonen und ALPs in externen Magnetfeldern, was zu distinkten spektralen Signaturen in Gammastrahlungsquellen führen kann. Blazare dienen insbesondere als ideale Laboratorien für diese Suche, da sie über kosmologische Entfernungen, starke Magnetfelder in ihren relativistischen Jets und die daraus resultierende Absorption von sehr hochenergetischen (VHE) Gammastrahlen durch das extragalaktische Hintergrundlicht (EBL) verfügen. Die Anwesenheit von ALPs könnte energieabhängliche spektrale „Wiggles“ oder eine Verfestigung (Hardening) des Spektrums bei hohen Energien induzieren, indem sie es Photonen ermöglicht, in ALPs zu konvertieren, kosmologische Distanzen ohne EBL-Absorption zu durchqueren und in der Milchwahlen Magnetfeld wieder in Photonen zu rekonvertieren.

Das Cherenkov Telescope Array Observatory (CTAO) wird voraussichtlich signifikante Verbesserungen der Energieauflösung und Punktquellenempfindlichkeit gegenüber aktuellen bodengebundenen Teleskopen bieten. Die Extraktion von ALP-Signalen aus Blazar-Spektren ist jedoch aufgrund der komplexen, nicht-linearen Natur der spektralen Verzerrungen und potenzieller systematischer Unsicherheiten anspruchsvoll. Während standardmäßige statistische Ansätze basierend auf dem Likelihood-Ratio-Test (LRT) häufig verwendet werden, untersucht diese Arbeit, ob Machine-Learning-Klassifikatoren (ML) eine robuste Alternative zur Eingrenzung des ALP-Parameterraums ($m_a$ und $g_{a\gamma}$) bieten können.

Methodik
Die Studie konzentriert sich auf zwei bekannte TeV-Blazare, Mrk 501 und PKS 2155−304, wobei Beobachtungen für sowohl deren Basis- als auch deren Flare-Zustände unter Verwendung der CTAO „Alpha“-Konfiguration simuliert werden.

1. Datensimulation:

   • Mock-Daten wurden mit dem Gammapy-Paket generiert, wobei 50 Stunden Beobachtung für die Basis-Zustände und 5 Stunden für die Flare-Zustände simuliert wurden.
   • Spektrale Modelle wurden aus dem 4FGL-DR4-Katalog (Log-Parabola für den Basis-Zustand) und historischen Flare-Daten (Log-Parabola für Mrk 501, Exponential Cutoff Power Law für PKS 2155−304) abgeleitet.
   • ALP-Photon-Oszillationen wurden unter Verwendung des gammaALPs Python-Pakets modelliert, welches die Magnetfeldumgebungen in den Blazar-Jets (helikale und ungeordnete Komponenten), das galaktische Magnetfeld der Milchstraße und die EBL-Absorption berücksichtigt.
   • Der ALP-Parameterraum wurde über $m_a \in [0.1, 1000]$ neV und $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV$^{-1}$ gescannt.

2. Statistische Ansätze:

   • Likelihood-Ratio-Test (LRT): Eine standardmäßige Benchmark-Methode wurde angewendet. Eine Teststatistik (TS) wurde definiert, die auf der Differenz der Log-Likelihoods zwischen der ALP-Hypothese und dem Best-Fit-Modell basiert. Da das Wilks-Theorem für ALP-Suchen nicht streng anwendbar ist, wurde die TS-Verteilung empirisch durch die Simulation von 100 Datensätzen mit ALP-Effekten und deren Anpassung mit einer Gamma-Wahrscheinlichkeitsdichtefunktion (PDF) bestimmt.
   • Machine-Learning-Klassifikatoren (ML): Ein neuartiger Ansatz wurde unter Verwendung des XGBoost-Algorithmus eingeführt.
     • Ein Grid von Klassifikatoren wurde über den ALP-Parameterraum trainiert.
     • Jeder Klassifikator wurde darauf trainiert, zwischen 20.000 simulierten Datensätzen mit ALP-Effekten und 20.000 Datensätzen mit lediglich EBL-Absorption (ohne ALPs) zu unterscheiden.
     • Die Input-Features waren die normierten Überschuss-Photonenzählungen in Energie-Bins, die darauf ausgelegt sind, sich auf die spektrale Form statt auf den absoluten Fluss zu konzentrieren.
     • Für jedes $(m_a, g_{a\gamma})$-Paar gibt der Klassifikator einen Score aus, der die Wahrscheinlichkeit repräsentiert, dass ein Datensatz „ALP-ähnlich“ ist. Eine komplementäre Statistik $\Pi$ wurde definiert, um die Ausschluss-Signifikanz zu bewerten.
     • Die Verteilung von $\Pi$ für ALP-ähnliche Datensätze wurde mit einer Beta-PDF gefittet, um Konfidenzniveaus und Ausschluss-Signifikanzen (z-Scores) zu berechnen.

Zentrale Beiträge

• Projizierte Sensitivität: Die Arbeit liefert projizierte 2$\sigma$-Ausschlussregionen für CTAO-Beobachtungen von Mrk 501 und PKS 2155−304 und demonstriert das Potenzial des Observatoriums, aktuelle Grenzwerte zu verbessern.
• ML-Anwendung in der ALP-Suche: Die Arbeit führt und validiert eine auf maschinellem Lernen basierende Methode zur Eingrenzung von ALP-Parametern ein. Sie zeigt, dass XGBoost-Klassifikatoren effektiv die nicht-linearen spektralen Merkmale lernen können, die durch die ALP-Photon-Mischung induziert werden, ohne auf explizite parametrische Modelle der spektralen Verzerrungen angewiesen zu sein.
• Vergleich der Methoden: Die Studie vergleicht den ML-Ansatz direkt mit dem Standard-LRT und zeigt, dass die ML-Methode konsistente Ergebnisse mit der traditionellen Technik liefert.

Ergebnisse

• Ausschlussregionen: Sowohl die LRT- als auch die ML-Methode sagen voraus, dass das CTAO signifikante Teile des ALP-Parameterraums ausschließen kann, insbesondere in Regionen, in denen die kritische Energie für starke Mischung innerhalb des CTAO-Energiebereichs liegt.
• Konsistenz der Methoden: Die durch den ML-Klassifikator (unter Verwendung der $\Pi$-Statistik) abgeleiteten Ausschluss-Konturen stimmen eng mit denen überein, die durch den LRT gewonnen wurden.
• Leistungsgrenzen: Die ML-Klassifikatoren erreichen eine hohe Genauigkeit (>90 %) in Regionen, in denen die durch ALPs induzierten spektralen Verzerrungen distinkt sind. Die Leistung nimmt jedoch in Regionen mit großem $m_a$ und kleinem $g_{a\gamma}$ ab, in denen die spektralen Verzerrungen schwach sind und schwer vom Fall ohne ALPs zu unterscheiden sind. In diesen Regionen versagen die Klassifikatoren korrekt bei der Ausschluss der Hypothese, was das Verhalten des LRT widerspiegelt.
• Systematische Unsicherheiten: Die Autoren merken an, dass der ML-Ansatz dazu beitragen kann, die Auswirkungen systematischer modellabhängiger Unsicherheiten zu reduzieren, da die Klassifikatoren die spektrale Form direkt aus den Daten lernen, anstatt auf spezifische funktionale Formen des intrinsischen Quellenspektrums angewiesen zu sein.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass das CTAO mit seiner verbesserten Energieauflösung und Sensitivität die aktuellen Limits auf den ALP-Parameterraum konsistent verbessern wird. Die primäre Bedeutung dieser Arbeit liegt in der Demonstration, dass Machine-Learning-Klassifikatoren eine lebensfähige und effektive Alternative zu Standard-Likelihood-Ratio-Tests für die ALP-Suche darstellen. Die Autoren legen nahe, dass diese neue Methode für zukünftige Suchen wertvoll sein könnte, da sie potenziell systematische Unsicherheiten im Zusammenhang mit der Spektralmodellierung mildern kann. Die Studie beansprucht nicht die Entdeckung von ALPs, sondern dient dazu, die projizierte Fähigkeit des CTAO zu etablieren, deren Existenz einzugrenzen. Die Ergebnisse werden als Schätzung der Eingrenzungskapazität des CTAO auf Basis simulierter Daten präsentiert, was als Benchmark für zukünftige Beobachtungskampagnen dient.