Interpretable machine learning of halo gas density profiles: a sensitivity analysis of cosmological hydrodynamical simulations

Planteamiento del Problema
Comprender la distribución del gas dentro de las galaxias y el medio intergaláctico es fundamental para la teoría de la formación de galaxias, ya que la eficiencia de la formación estelar depende críticamente de la cantidad, configuración y estado termodinámico de este gas. Estas propiedades están reguladas por procesos de retroalimentación (feedback) estelar y de Núcleos Galácticos Activos (AGN). Sin embargo, los mecanismos específicos mediante los cuales la retroalimentación moldea el perfil de densidad de gas radial en los halos anfitriones permanecen insuficientemente restringidos. Si bien las simulaciones hidrodinámicas cosmológicas (por ejemplo, EAGLE, IllustrisTNG, Simba) proporcionan descripciones detalladas de estos sistemas, emplean prescripciones de retroalimentación de sub-malla distintas, lo que conduce a diferencias significativas dependientes del modelo en las distribidades de gas predichas. Los modelos analíticos y semi-analíticos a menudo dependen de suposiciones simplificadas (por ejemplo, perfiles de ley de potencia con simetría esférica) que no logran capturar la compleja interacción de los mecanismos de retroalimentación. Por el contrario, aunque el aprendizaje automático (ML) ofrece capacidades basadas en datos, es frecuentemente criticado por carecer de interpretabilidad física (naturaleza de "caja negra"). Este trabajo aborda la necesidad de un marco que sea tanto preciso en la predicción de perfiles de densidad de gas como físicamente interpretable respecto a cómo propiedades específicas de la galaxia y del halo influyen en estos perfiles a través de diferentes escenarios de retroalimentación.

Metodología
Los autores utilizan suites de simulaciones hidrodinámicas cosmológicas: EAGLE, IllustrisTNG y múltiples variantes de Simba (incluyendo ejecuciones con modos de retroalimentación desactivados). Extraen datos para halos bien resueltos ($M_{200c} > 10^{9.5} M_\odot$) en un rango de desplazamientos al rojo $0 < z < 4$.

1. Construcción de Datos:

   • Variable Objetivo: Perfiles radiales promediados esféricamente de la densidad de gas total ($\rho$) en 20 bins logarítmicos desde $0.01 R_{200c}$ hasta $5 R_{200c}$. Las predicciones se restringen al rango numéricamente robusto de $0.05 R_{20c} \leq r \leq R_{200c}$.
   • Características de Entrada (Features): Seis propiedades globales: masa total del halo ($M_{200c}$), masa de gas de la galaxia central ($M_{gas}$), masa estelar ($M_\star$), tasa de formación estelar (SFR), masa del agujero negro central ($M_{BH}$) y tasa de acreción del agujero negro ($\dot{M}_{BH}$).
   • Preprocesamiento: Para manejar el amplio rango dinámico y los valores cero (por ejemplo, para SFR o acreción de BH en sistemas apagados/quenched), las características de entrada y las variables objetivo se reescalan. Las masas y densidades utilizan logaritmos decimales. Las características con potenciales valores cero (SFR, $M_{BH}$, $\dot{M}_{BH}$) se someten a una transformación de seno hiperbólico inverso modificada (Ec. 1) para asegurar una transición suave desde un comportamiento lineal en valores bajos hacia un comportamiento logarítmico en valores altos.

2. Modelo de Aprendizaje Automático:

   • Un algoritmo de regresión de Bosque Aleatorio (Random Forest - RF) se entrena para predecir el perfil de densidad de gas en cada bin radial basado en las seis características de entrada.
   • El conjunto de datos se divide en conjuntos de entrenamiento (80%) y prueba (20%). Los hiperparámetros (tamaño mínimo de nodo, profundidad del árbol, número de estimadores) se optimizan utilizando un conjunto de validación.
   • El modelo se entrena por separado para cada instantánea (snapshot) de la simulación.

3. Análisis de Sensibilidad:

   • Para interpretar el modelo de RF de "caja negra", los autores aplican un análisis de sensibilidad estadística de Sobol. Esta técnica cuantifica la contribución de cada característica de entrada (y sus interacciones) a la varianza de la salida del modelo (densidad de gas predicha).
   • Computan índices de Sobol de primer orden ($S_1$), que representan el efecto principal de variar una sola característica, e índices de Sobol de orden total ($S_T$), que representan el efecto total incluyendo todas las interacciones con otras características.
   • Se establece un umbral de significancia basado en la precisión intrínseca del modelo para distinguir la importancia de las características físicamente significativas del ruido.

Contribuciones Clave

• Desarrollo de un Marco de ML Interpretable: El artículo presenta un algoritmo de Bosque Aleatorio capaz de predecir perfiles de densidad de gas de halos con alta precisión utilizando solo seis propiedades globales.
• Primera Aplicación de Análisis de Sobol a Simulaciones Hidrodinámicas Completas: Los autores aplican el análisis de sensibilidad de Sobol a simulaciones hidrodinámicas cosmológicas completas por primera vez, yendo más allá de los modelos semi-analíticos o emuladores. Esto permite una cuantificación rigurosa de la importancia de las características y las degeneraciones en un sistema físico complejo y no lineal.
• Comparación entre Simulaciones: El marco se prueba a través de tres grandes suites de simulaciones (EAGLE, IllustrisTNG, Simba) con implementaciones de retroalimentación distintas, así como variantes específicas de Simba donde los modos de retroalimentación (estelar, viento de AGN, chorro/jet de AGN, rayos X) se desactivan selectivamente.

Resultados

• Precisión Predictiva: El algoritmo RF reproduce perfiles de densidad de gas simulados con una precisión promedio ($\langle \alpha \rangle$) de $\sim 83-90\%$ sobre el rango de masa $10^{9.5} < M_{200c} < 10^{15} M_\odot$ y desplazamiento al rojo $0 < z < 4$.
  • EAGLE e IllustrisTNG alcanzan $\sim 90\%$ de precisión en $z > 1$ y $\sim 86\%$ en $z=0$.
  • Las simulaciones de Simba muestran una precisión ligeramente menor ($\sim 83-87\%$), con una subpredicción sistemática notable en halos de alta masa ($M_{200c} > 10^{12.2} M_\odot$) en $z=0$.
• Importancia de las Características (Análisis de Sensibilidad):
  • Impulsores Dominantes: En todas las simulaciones y desplazamientos al rojo, la masa total del halo ($M_{200c}$) y la masa de gas de la galaxia central ($M_{gas}$) son las características más influyentes. $M_{gas}$ es el predictor más impactante, particularmente en el halo interno ($< 0.2 R_{200c}$), mientras que $M_{200c}$ actúa como un predictor global.
  • Evolución con el Desplazamiento al Rojo: En desplazamientos al rojo altos ($z=4$), la masa estelar ($M_\star$) se convierte en un predictor significativo en las regiones internas, reflejando el dominio de la retroalimentación estelar. En desplazamientos al rojo más bajos ($z \le 2$), la importancia de la masa del BH ($M_{BH}$) aumenta, particularmente en Simba, correlacionándose con el inicio de la retroalimentación de AGN significativa.
  • Características Negligibles: La tasa de acreción instantánea del BH ($\dot{M}_{BH}$) y la Tasa de Formación Estelar (SFR) muestran generalmente un bajo impacto en el perfil de densidad de gas global. Los autores sugieren que el bajo impacto de la tasa de acreción puede deberse a desajustes de escala de tiempo (escalas galácticas vs. escalas de halo) o a la naturaleza anisotrópica de la retroalimentación de AGN, que se diluye en los promedios esféricos.
• Variantes de Retroalimentación: En las variantes de Simba, la activación de los modos de retroalimentación de AGN (específicamente los chorros/jets de AGN) aumenta la importancia de $M_{BH}$ y $M_\star$ en la configuración de la distribución de gas. Por el contrario, en la ejecución de "Sin retroalimentación" (No-feedback), $M_{gas}$ sigue siendo un predictor fuerte incluso a radios grandes debido a la conversión eficiente de gas en estrellas a través del halo.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como una "prueba de concepto" que demuestra que los modelos basados en datos pueden hacerse físicamente interpretables mediante el análisis de sensibilidad.

• Interpretabilidad: El estudio identifica con éxito que, aunque la física de la retroalimentación es compleja, los perfiles de densidad de gas resultantes están fuertemente ligados a unas pocas propiedades globales ($M_{gas}$ y $M_{200c}$), con dependencias secundarias en las propiedades estelares y del BH que evolucionan con el desplazamiento al rojo y la implementación de la retroalimentación.
• Utilidad para la Teoría: El marco puede integrarse en modelos semi-analíticos de formación de galaxias para incorporar perfiles de densidad de gas consistentes con diversas simulaciones hidrodinámicas sin necesidad de ejecutar simulaciones completas.
• Aplicación Futura: Los autores afirman que la precisión del modelo (particularmente en $z \gtrsim 1$) es suficiente para servir como un referente para comparaciones futuras con datos observacionales (por ejemplo, brillo superficial de rayos X, líneas de absorción/emisión). Señalan que, si bien la precisión actual en $z=0$ para Simba está ligeramente por debajo del umbral observacional del $\sim 15\%$, el modelo es prometedor para restringir los modelos de retroalimentación una vez extendido para predecir fases gaseosas específicas (ISM, CGM) en lugar de solo la densidad total.

El artículo concluye que este enfoque ofrece un método computacionalmente económico y físicamente intuitivo para comprender la interacción entre la retroalimentación, las propiedades galácticas y la distribución del gas, sirviendo como base para trabajos futuros que vinculen los parámetros de simulación con las restricciones observacionales.