Reionisation time field reconstruction from 21-cm Maps: Investigating predictor coherence in WDM cosmology

Technische Zusammenfassung: Rekonstruktion des Feldes der Reionisationszeit aus 21-cm-Karten in der WDM-Kosmologie

Problembeschreibung
Die Epoche der Reionisation (EoR) ist eine kritische Phase in der kosmischen Entwicklung, doch ihre detaillierte Geschichte bleibt schwer fassbar. Während das Feld der Reionisationszeit, $t_{\text{reion}}(\vec{r})$, einen umfassenden Überblick darüber bietet, wann und wo das Universum ionisiert wurde, ist es nicht direkt beobachtbar. Vorangegangene Arbeiten (Hiegel et al. 2023) zeigten, dass Convolutional Neural Networks (CNNs) $t_{\text{reion}}(\vec{r})$ aus 21-cm-Karten bei einer festen Rotverschiebung ableiten können. Es besteht jedoch eine erhebliche Einschränkung: Diese Prädiktoren werden auf spezifischen Reionisationsmodellen (z. B. Kalte Dunkle Materie, CDM) trainiert. Wenn sie auf Beobachtungsdaten angewendet werden, die möglicherweise aus anderen physikalischen Bedingungen stammen (z. B. Warme Dunkle Materie, WDM), ist die Zuverlässigkeit dieser Prädiktoren unsicher. Es besteht die Notwendigkeit, die „Kohärenz" dieser Prädiktoren zu bewerten – insbesondere, ob ein Prädiktor, der auf einem Modell trainiert wurde, konsistente Ergebnisse liefert, wenn er auf Daten angewendet wird, die von einem anderen Modell generiert wurden, und ob solche Inkonsistenzen genutzt werden können, um zugrunde liegende kosmologische Modelle zu validieren oder auszuschließen.

Methodik
Die Autoren schlagen eine Methode vor, um die Kohärenz von Prädiktoren zu bewerten, indem sie das CDM-Modell als Referenzeingabe behandeln. Die Studie nutzt simulierte 21-cm-Karten, die mit dem Simulationscode 21cmFAST unter einer $\Lambda$CDM-Kosmologie generiert wurden, wobei vier WDM-Szenarien mit Teilchenmassen ($m_X$) von 2, 3, 5 und 7 keV einbezogen wurden.

1. Training der Prädiktoren: Fünf verschiedene CNN-Prädiktoren (basierend auf einer U-net-Architektur) wurden trainiert, jeder auf 21-cm-Karten, die einem spezifischen Dunkle-Materie-Modell (CDM, 2 keV, 3 keV, 5 keV, 7 keV) bei bestimmten Rotverschiebungen ($z=8$ und $z=11$) entsprechen.
2. Anwendung über Modelle hinweg: Der Kern der Methodik besteht darin, CDM-generierte 21-cm-Karten (die „Beobachtung") in alle fünf Prädiktoren einzuspeisen.
3. Bewertung der Kohärenz: Die Autoren vergleichen die rekonstruierten $t_{\text{reion}}(\vec{r})$-Felder, die vom selben Prädiktor bei zwei verschiedenen Rotverschiebungen ($z=11$ und $z=8$) erhalten wurden. Die zugrunde liegende Hypothese ist, dass für ein konsistentes Prädiktor-Modell-Paar die statistischen Eigenschaften der Rekonstruktion über die Rotverschiebungen hinweg invariant sein sollten.
4. Metriken: Vier statistische Metriken wurden auf den rekonstruierten Feldern berechnet, um die Selbstkonsistenz zu quantifizieren:
   • Volumenanteil des neutralen Wasserstoffs ($Q_{HI}$).
   • Leistungsspektrum des Feldes der Reionisationszeit ($P_k$).
   • Gesamtlänge der Isocontours (repräsentiert die Grenzfläche zwischen ionisierten und neutralen Regionen).
   • Anzahl der Minima im $t_{\text{reion}}$-Feld (repräsentiert Reionisationsquellen).
5. Quantifizierer: Drei spezifische Schätzer wurden definiert, um WDM-Prädiktoren mit dem CDM-Referenzwert zu vergleichen:
   • RMSE: Root-Mean-Square-Fehler der Differenz zwischen den Rekonstruktionen der Rotverschiebungen ($S_{11} - S_8$).
   • Kohärenzanteil ($q$): Das Verhältnis des CDM-RMSE zum WDM-RMSE.
   • Bestimmtheitsmaß ($R^2_\Delta$): Misst die Distanz der Konsistenz einer WDM-Rekonstruktion relativ zur Konsistenz der CDM-Rekonstruktion. Ein negatives $R^2_\Delta$ zeigt an, dass der WDM-Prädiktor weniger konsistent mit den Eingabedaten ist als der CDM-Prädiktor mit sich selbst.
6. Unsicherheitsanalyse: Die epistemische Unsicherheit wurde mittels Monte-Carlo-Dropout geschätzt, um sicherzustellen, dass Rekonstruktionsrauschen die statistischen Vergleiche nicht dominiert.

Hauptergebnisse
Die Studie stellt fest, dass die Fähigkeit, Modelle zu unterscheiden, stark von der Masse des WDM-Teilchens und der verwendeten spezifischen Metrik abhängt:

• Modelle mit hoher Masse (5 und 7 keV): Prädiktoren, die auf 5- und 7-keV-Modellen trainiert wurden, zeigen eine hohe Selbstkonsistenz, wenn sie auf CDM-Eingaben angewendet werden, und verhalten sich über alle Metriken hinweg statistisch ähnlich wie der CDM-Prädiktor. Die $R^2_\Delta$-Werte sind positiv und hoch (z. B. 0,83 für $Q_{HI}$ bei 7 keV), was darauf hindeutet, dass diese Modelle mit dieser Methode schwer von CDM zu unterscheiden sind.
• Modelle mit niedriger Masse (2 keV): Der 2-keV-Prädiktor zeigt signifikante Abweichungen über alle Metriken hinweg. Er liefert große RMSE-Werte und negative $R^2_\Delta$-Werte (z. B. -4,8 für die Isocontour-Länge), was eine fundamentale Inkompatibilität mit den CDM-Eingabedaten anzeigt. Das 2-keV-Modell wird leicht ausgeschlossen.
• Zwischenmodell (3 keV): Der 3-keV-Prädiktor zeigt ein intermediäres Verhalten. Obwohl er im Allgemeinen ausgeschlossen wird, stellt er einen komplexeren Fall dar. Für einige Metriken (wie die Anzahl der Minima) zeigt er einen hohen Kohärenzanteil ($q \approx 0,97$), liefert jedoch immer noch ein niedrigeres $R^2_\Delta$ als die 5- und 7-keV-Modelle. Dies deutet darauf hin, dass die alleinige Verlassung auf eine einzelne Metrik unzureichend ist; eine Analyse mit mehreren Metriken ist erforderlich, um Inkonsistenzen zu identifizieren.
• Unsicherheit: Die durch die CNN-Rekonstruktion eingeführte epistemische Unsicherheit ($\Delta\sigma$) bleibt über alle Observablen hinweg untergeordnet ($\Delta\sigma < 1$), was bestätigt, dass die beobachteten Abweichungen auf Modellfehlanpassungen und nicht auf Rekonstruktionsrauschen zurückzuführen sind.

Bedeutung und Behauptungen
Die Arbeit beansprucht, einen Rahmen zur Validierung von Machine-Learning-Prädiktoren vor deren Anwendung auf reale Beobachtungsdaten (wie vom Square Kilometre Array, SKA) zu liefern. Die primäre Bedeutung liegt darin zu demonstrieren, dass CNN-Prädiktoren ihre Sensitivität gegenüber der zugrunde liegenden Physik der Trainingsdaten beibehalten.

• Modellauswahl: Die Methode ermöglicht den Ausschluss von Reionisationsmodellen, die mit Beobachtungsdaten inkonsistent sind. Beispielsweise wird das 2-keV-WDM-Modell aufgrund seines Versagens, die Kohärenz über die Rotverschiebungen hinweg bei Anwendung auf CDM-ähnliche Daten aufrechtzuerhalten, effektiv ausgeschlossen.
• Einschränkungen: Die Autoren vermerken bescheiden, dass die Methode Schwierigkeiten hat, zwischen Modellen zu unterscheiden, die physikalisch ähnlich sind (z. B. 5 keV und 7 keV WDM vs. CDM). Sie betonen, dass das Ziel nicht die direkte Einschränkung kosmologischer Parameter ist, sondern die Bewertung der Robustheit von Prädiktoren gegenüber Modellfehlanpassungen.
• Zukünftige Arbeiten: Die Arbeit schließt, dass die aktuellen Ergebnisse vielversprechend sind, zukünftige Anwendungen auf SKA-ähnliche Beobachtungen jedoch verbesserte CNN-Architekturen (z. B. Aufmerksamkeitsmechanismen) und einen besseren Umgang mit instrumentellem Rauschen und Vordergrundkontamination erfordern. Die Studie unterstreicht die Notwendigkeit, Prädiktoren gegen ihre Eingangsmodelle zu validieren, um vertrauenswürdige Anwendungen im Studium der kosmischen Reionisation zu gewährleisten.