Sensitivity toward dark matter annihilation imprints on 21-cm signal with SKA-Low: A convolutional neural network approach

Resumen Técnico: Sensibilidad hacia las huellas de la aniquilación de materia oscura en la señal de 21 cm con SKA-Low: Un enfoque de Redes Neuronales Convolucionales

Planteamiento del Problema
La naturaleza fundamental de la materia oscura sigue siendo uno de los problemas no resueltos más significativos de la cosmología. Si bien el modelo de Materia Oscura Fría Lambda ($\Lambda$CDM) describe con éxito la estructura a gran escala, no elucida la física de partículas de la materia oscura. Una sonda potencial es la aniquilación de las partículas de materia oscura, que inyecta energía en el medio intergaláctico (IGM) durante la era de la pre-reionización, alterando la historia térmica y de ionización del hidrógeno neutro. Esta inyección de energía modifica la señal de la temperatura de brillo diferencial de 21 cm.

Los análisis actuales de la señal de 21 cm suelen depender de estadísticas de resumen, como el espectro de potencia, que pueden no capturar toda la información codificada en los campos tridimensionales de la temperatura de brillo. Además, distinguir entre diferentes modelos de materia oscura se complica por las degeneraciones entre los parámetros astrofísicos. Existe una distinción crítica entre la inyección de energía homogénea (asumiendo una deposición uniforme en el espacio) e inhomogénea (donde la deposición de energía escala con los contrastes de densidad de la materia oscura local y las propiedades del gas). Estudios previos se han centrado en distinguir la aniquilación de la materia oscura del modelo estándar $\Lambda$CDM; este artículo aborda el desafío más sutil de distinguir modelos de aniquilación de materia oscura inhomogéneos de los homogéneos utilizando el próximo radiotelescopio Square Kilometre Array Low-frequency (SKA-Low).

Metodología
Los autores emplean un enfoque de aprendizaje automático, específicamente Redes Neuronales Convolucionales (CNN), para clasificar mapas tridimensionales de la temperatura de brillo diferencial de 21 cm.

1. Marco de Simulación:

   • Códigos: El estudio utiliza el código DM21cm, que integra 21cmFAST (un código de simulación cosmológica semi-numérica) y DarkHistory (para la evolución térmica y de ionización).
   • Física: Las simulaciones modelan la aniquilación de la materia oscura en dos canales primarios: pares electrón-positrón ($e^+e^-$) y pares fotón-fotón ($\gamma\gamma$). La tasa de inyección de energía se calcula basándose en el contraste de densidad de la materia oscura local, $\delta(x,z)$, lo que permite una deposición espacialmente inhomogénea.
   • Parámetros: El estudio explora masas de materia oscura ($m_{DM}$) que van desde 1 MeV hasta 100 MeV y diversas secciones eficaces de aniquilación ($\langle\sigma v\rangle$). Las simulaciones cubren un tamaño de caja de 48 Mpc con una resolución de $64^3$ rejillas (tamaño de vóxel de 0.75 Mpc).
   • Modelado de Ruido: Para reflejar condiciones observacionales realistas, se añade ruido térmico gaussiano correspondiente a las especificaciones de SKA-Low (512 estaciones, línea de base máxima de 74 km, $10^4$ horas de tiempo de integración) a los mapas simulados. El nivel de ruido está parametrizado por una fracción $f_{Noise}$ que oscila entre 0 y 1.

2. Arquitectura de Aprendizaje Automático:

   • Modelo: Se utiliza una arquitectura CNN estándar que consiste en cuatro capas convolucionales (kernels de 3$\times$3), activaciones Leaky ReLU, max pooling de 2$\times$2 y normalización por lotes (batch normalization).
   • Entrada: La red procesa vóxeles 3D (subregiones de 16$\times$16$\times$16 del volumen de simulación).
   • Preprocesamiento: Para abordar la limitación de que la normalización estándar (resta de la media y escalado de la desviación estándar) podría suprimir las diferencias de amplitud global entre los modelos homogéneos e inhomogéneos, los autores extraen explícitamente la media y la desviación estándar de las imágenes de entrada y las concatenan con el vector de características latentes antes de las capas totalmente conectadas.
   • Entrenamiento: El modelo se entrena con 128,000 imágenes (la mitad homogéneas y la mitad inhomogéneas) generadas a partir de 1,000 realizaciones cosmológicas distintas. El conjunto de datos se divide en entrenamiento (80%), validación (20%) y prueba (20%).

Resultados Clave

1. Canal Electrón-Positrón ($e^+e^-$):

   • Capacidad de Discriminación: La CNN distingue con éxito entre los escenarios de aniquilación inhomogéneo y homogéneo para el canal $e^+e^-$.
   • Métricas de Rendimiento: Para una masa de materia oscura de $m_{DM} = 1$ MeV, el modelo alcanza un Área Bajo la Curva (AUC) de $\geq 0.72$ (indicando una discriminación mejor que el azar) para secciones eficaces de aniquilación $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s, incluso con un ruido moderado ($f_{Noise} \leq 0.1$).
   • Sección Eficaz Óptima: El rendimiento de la discriminación es no monotónico con respecto a la sección eficaz. Alcanza su punto máximo en valores intermedios (por ejemplo, $\langle\sigma v\rangle \approx 5 \times 10^{-29}$ cm$^3$/s para $m_{DM}=1$ MeV).
     • Sección Eficaz Baja: La inyección de energía es demasiado débil para crear firmas distintivas.
     • Sección Eficaz Intermedia: La inyección de energía es lo suficientemente localizada como para crear "burbujas" de calentamiento/ionización distintas del fondo, maximizando el contraste entre modelos.
     • Sección Eficaz Alta: El camino libre medio de los fotones secundarios aumenta, causando que la energía se disperse sobre volúmenes más grandes, haciendo que el escenario inhomogéneo se asemeje al homogéneo y reduciendo el AUC.
   • Dependencia de la Masa: Para $m_{DM} = 100$ MeV, la sección eficaz requerida para una discriminación efectiva aumenta a $\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm$^3$/s debido al mayor camino libre medio de los fotones secundarios de mayor energía.

2. Canal Fotón-Fotón ($\gamma\gamma$):

   • Fallo de Discriminación: La CNN no logra distinguir entre los modelos inhomogéneo y homogéneo para el canal $\gamma\gamma$ en todos los rangos de masa y sección eficaz probados (AUC $\lesssim 0.7$).
   • Razón Física: El camino libre medio de los fotones emitidos por la aniquilación de materia oscura es significativamente mayor que el tamaño de la celda de simulación (y a menudo el radio de Hubble) en los redshifts relevantes. En consecuencia, los fotones viajan libremente y depositan la energía de forma homogénea, borrando las inhomogeneidades espaciales de la distribución de la fuente. La aproximación de "en el lugar" (on-the-spot) es inválida para este canal.

3. Análisis del Espectro de Potencia:

   • El escenario inhomogéneo exhibe un espectro de potencia de 21 cm inferior comparado con el escenario homogéneo. Esto se debe a que el calentamiento localizado crea "burbujas" donde la amplitud de absorción de 21 cm se ve suprimida, mientras que el resto del volumen permanece más cerca de la media global. Esta homogeneización estadística reduce la varianza de las fluctuaciones de la señal.

Significado y Reivindicaciones
El artículo afirma que las técnicas de aprendizaje automático, específicamente las CNN, ofrecen un enfoque novedoso y efectivo para extraer características espaciales sutiles de los complejos datos de 21 cm que las estadísticas de resumen tradicionales (como el espectro de potencia) podrían pasar por alto.

• Viabilidad: El estudio demuestra que el radiotelescopio SKA-Low, incluso con ruido térmico, posee la sensibilidad para detectar las huellas de la aniquilación de materia oscura inhomogénea para rangos de parámetros específicos ($m_{DM} \sim 1$ MeV, $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s).
• Avance Metodológico: El trabajo destaca la importancia de incorporar características estadísticas globales (media y desviación estándar) en la entrada de la red neuronal para evitar la supresión de características distintivas críticas durante la normalización.
• Perspectiva Física: La investigación aclara que la detectabilidad de la aniquilación inhomogénea depende altamente del canal de aniquilación y del camino libre medio de las partículas resultantes. Mientras que los canales de electrón-positrón ofrecen una sonda viable para las inhomogeneidades espaciales, los canales de fotones efectivamente lavan las firmas espaciales debido a los grandes caminos libres medios.

Los autores concluyen que las futuras observaciones de 21 cm, combinadas con análisis de aprendizaje automático avanzado, proporcionan una vía robusta para sondear fuentes de inyección de energía exóticas y restringir las propiedades microscópicas de la materia oscura, particularmente distinguiendo entre mecanismos de deposición de energía espacialmente variables y uniformes.