Unveiling the dark Universe with HI and EMBER-2

Resumen Técnico: Unveiling the dark Universe with HI and EMBER-2

1. Planteamiento del Problema

La materia oscura es un componente fundamental del modelo $\Lambda$CDM, pero su naturaleza física sigue siendo un misterio. Aunque el Lensing Débil (WL) es una herramienta poderosa para mapear la distribución de materia, inferir directamente las propiedades de la materia oscura a partir de datos observacionales es desafiante debido a la necesidad de grandes muestras estadísticas y a la compleja modelización de efectos sistemáticos (como la retroalimentación bariónica).

El hidrógeno neutro (HI) ofrece un trazo complementario de la distribución de materia oscura. Sin embargo, extraer propiedades de la materia oscura a partir del HI no es trivial porque:

• Los procesos de formación galáctica (vientos estelares, stripping por presión de arrastre, retroalimentación de AGN) modifican significativamente la distribución del HI, introduciendo dispersión en la relación entre la masa de los halos de materia oscura y el contenido de HI.
• Los métodos tradicionales (como la Distribución de Ocupación de Halos - HOD, o la expansión de sesgo - BE) utilizan relaciones empíricas o parámetros de ajuste limitados. Estos enfoques no aprovechan la información completa a nivel de campo, perdiendo detalles cruciales sobre la interacción no lineal entre el HI y la materia oscura, especialmente en escalas menores a 1 Mpc.

2. Metodología

El artículo presenta EMBER-2, un modelo de aprendizaje profundo (Machine Learning) diseñado para realizar un mapeo inverso: predecir la distribución de materia oscura directamente a partir de trazadores de HI.

• Enfoque: Se utiliza un enfoque basado en datos (data-driven) mediante Redes Generativas Adversarias Condicionales (cGAN). El modelo aprende la relación probabilística $f: (\Sigma_{HI}, v_{HI}) \rightarrow (\Sigma_{dm}, v_{dm})$, mapeando la densidad superficial y la velocidad radial del HI a las mismas propiedades para la materia oscura.
• Datos de Entrenamiento: Se utilizaron simulaciones hidrodinámicas cosmológicas del proyecto FIRE-2 (Feedback in Realistic Environments), específicamente la simulación FB30 (30 $h^{-1}$ Mpc) con resolución de partículas de $m_{dm} \approx 2.68 \times 10^6 M_\odot$ y $m_{gas} \approx 5 \times 10^5 M_\odot$.
  • Se generaron mapas proyectados en 2D de densidad y velocidad para HI y materia oscura en un rango de redshifts $z = 0 - 6$.
  • La resolución espacial es de $\sim 43$ ckpc.
• Arquitectura: El modelo consta de un generador y un discriminador. El generador crea muestras de materia oscura condicionadas por los mapas de HI y el redshift, mientras que el discriminador intenta distinguir entre las muestras reales (simuladas) y las generadas. Se emplean funciones de pérdida no saturantes.
• Validación: El modelo se entrenó en FB30 y se probó en un conjunto de datos independiente (FB15, un volumen 8 veces menor pero con la misma física) y en ejes no utilizados de FB30 mediante validación cruzada.

3. Contribuciones Clave

• Inversión del Mapeo: A diferencia de trabajos previos que predicen HI a partir de materia oscura, este trabajo realiza el mapeo inverso (de HI a materia oscura), permitiendo generar catálogos falsos de materia oscura a partir de observaciones de HI.
• Información a Nivel de Campo: El método captura la interacción compleja y no lineal entre el HI y la materia oscura utilizando toda la información del campo (densidad y velocidad), superando las limitaciones de los modelos de sesgo fijo o HOD que descartan información espacial.
• Alcance Cosmológico: El modelo opera eficazmente en un amplio rango de redshifts ($z=0-6$) y abarca diferentes regímenes de densidad, desde el medio intergaláctico (IGM) hasta sistemas densos como DLAs (Damped Lyman-alpha systems).

4. Resultados Principales

El modelo EMBER-2 demuestra una alta precisión en la reconstrucción de las propiedades de la materia oscura:

• Función de Masa de Estructuras: La función de masa de las estructuras reconstruidas coincide excelente con las simulaciones en todos los redshifts, especialmente para masas $M_{dm} \le 10^{12.7} M_\odot$.
• Fracciones de Masa y Perfiles Radiales:
  • La relación entre la masa de materia oscura y la masa de HI se reconstruye con precisión, capturando correctamente la dispersión intrínseca en todo el rango dinámico (desde IGM hasta DLAs).
  • Los perfiles de densidad superficial ($\Sigma_{dm}/\Sigma_{HI}$) reconstruidos coinciden con los simulados tanto en el interior como en el exterior de los halos, convergiendo correctamente hacia la razón de densidades cósmicas fuera de las estructuras.
• Correlaciones Cruzadas:
  • El modelo logra reconstruir las correlaciones cruzadas entre los campos de HI y materia oscura con un error inferior al 20% para la densidad superficial y la densidad de energía cinética superficial.
  • Esta precisión se mantiene hasta escalas de $k = 100 \ h/\text{cMpc}$.
  • Esto representa una mejora significativa sobre los métodos tradicionales (HOD/BE), que típicamente alcanzan precisiones del 10-50% solo en escalas mucho más grandes ($k \lesssim 1 \ h/\text{cMpc}$).
• Robustez: Los resultados se mantienen consistentes tanto en el conjunto de prueba FB15 como en FB30, demostrando que el modelo no sufre de sobreajuste y generaliza bien a diferentes realizaciones cosmológicas.

5. Significado y Perspectivas Futuras

Este trabajo demuestra que es posible inferir propiedades de la materia oscura a partir de observaciones de HI con una precisión sin precedentes, aprovechando la información completa del campo.

• Aplicabilidad: El método es rápido (inferencia en segundos) y se integra fácilmente en pipelines de análisis de futuros sondeos de radio (como SKA y sus precursores).
• Escalabilidad: La arquitectura totalmente convolucional permite adaptarse a diferentes escalas, desde grandes estructuras a escala de Mpc hasta detalles internos de halos.
• Futuro:
  • Se planea entrenar el modelo con múltiples modelos de retroalimentación estelar y de AGN para mejorar la generalización y marginalizar sobre efectos bariónicos inciertos.
  • Se propone adaptar el modelo a mapas de HI degradados que simulen los límites de sensibilidad y resolución de los telescopios reales.
  • La expansión del espacio de características para incluir trazadores ópticos (luz estelar) podría mejorar aún más la reconstrucción.

En conclusión, EMBER-2 establece un nuevo estándar para la inferencia de materia oscura, ofreciendo una herramienta robusta para desvelar la estructura del universo oscuro utilizando los datos masivos que llegarán de la próxima generación de radiotelescopios.