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

Planteamiento del Problema
Las partículas tipo axión (ALPs, por sus siglas en inglés) son partículas pseudoescalares hipotéticas predichas por diversas extensiones del Modelo Estándar. Un método primario para su detección implica la mezcla de fotones y ALPs en campos magnéticos externos, lo que puede dar lugar a firmas espectrales distintivas en fuentes de rayos gamma. Los blázares, específicamente, sirven como laboratorios ideales para esta búsqueda debido a sus distancias cosmológicas, fuertes campos magnéticos en sus chorros relativistas y la consecuente absorción de rayos gamma de muy alta energía (VHE) por parte de la luz de fondo extragaláctica (EBL). La presencia de ALPs podría inducir "ondulaciones" dependientes de la energía o un endurecimiento del espectro a altas energías al permitir que los fotones se conviertan en ALPs, atraviesen distancias cosmológicas sin absorción de EBL y se reconviertan en fotones en el campo magnético de la Vía Láctea.

El Observatorio del Telescopio de Rayos Cherenkov (CTAO) se espera que ofrezca mejoras significativas en la resolución de energía y la sensibilidad de fuentes puntuales con respecto a los telescopios terrestes actuales. Sin embargo, extraer señales de ALPs de los espectros de los blázares es un desafío debido a la naturaleza compleja y no lineal de las distorsiones espectrales y las posibles incertidumbres sistemáticas. Aunque los enfoques estadísticos estándar basados en la prueba de razón de verosimilitud (LRT) se utilizan comúnmente, este trabajo investiga si los clasificadores de aprendizaje automático (ML) pueden ofrecer una alternativa robusta para restringir el espacio de parámetros de las ALPs ($m_a$ y $g_{a\gamma}$).

Metodología
El estudio se centra en dos blázares de TeV bien conocidos, Mrk 501 y PKS 2155−304, simulando observaciones tanto para sus estados base como para sus estados de llamarada utilizando la configuración "Alpha" del CTAO.

1. Simulación de Datos:

   • Se generaron datos ficticios utilizando el paquete Gammapy, simulando 50 horas de observación para los estados base y 5 horas para los estados de llamarada.
   • Los modelos espectrales se derivaron del catálogo 4FGL-DR4 (log-parábola para el estado base) e información histórica de llamaradas (log-parábola para Mrk 501, ley de potencia con corte exponencial para PKS 2155−304).
   • Las oscilaciones fotón-ALP fueron modeladas utilizando el paquete de Python gammaALPs, incorporando entornos de campos magnéticos en los chorros de los blázares (componentes helicoidales y desordenados), el campo magnético galáctico de la Vía Láctea y la absorción de EBL.
   • El espacio de parámetros de las ALPs se escaneó sobre $m_a \in [0.1, 1000]$ neV y $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV$^{-1}$.

2. Enfoques Estadísticos:

   • Prueba de Razón de Verosimilitud (LRT): Se empleó un método de referencia estándar. Se definió un estadístico de prueba (TS) basado en la diferencia de log-verosimilitud entre la hipótesis de ALP y el mejor modelo de ajuste. Dado que el teorema de Wilks no se aplica estrictamente a las búsquedas de ALPs, la distribución del TS se determinó empíricamente mediante la simulación de 100 conjuntos de datos con efectos de ALP y su ajuste con una función de densidad de probabilidad (PDF) de Gamma.
   • Clasificadores de Aprendizaje Automático (ML): Se introdujo un enfoque novedoso utilizando el algoritmo XGBoost.
     • Se entrenó una cuadrícula de clasificadores sobre el espacio de parámetros de las ALPs.
     • Cada clasificador fue entrenado para distinguir entre 20,000 conjuntos de datos con efectos de ALP y 20,000 conjuntos de datos con solo absorción de EBL (sin ALPs).
     • Las características de entrada fueron los conteos de fotones en exceso normalizados en bins de energía, diseñados para centrarse en la forma espectral en lugar del flujo absoluto.
     • Para cada par $(m_a, g_{a\gamma})$, el clasificador devuelve una puntuación que representa la verosimilitud de que un conjunto de datos sea "tipo ALP". Se definió un estadístico complementario $\Pi$ para evaluar la significancia de exclusión.
     • La distribución de $\Pi$ para los conjuntos de datos tipo ALP se ajustó con una PDF Beta para calcular los niveles de confianza y la significancia de exclusión (z-scores).

Contribuciones Clave

• Sensibilidad Proyectada: El artículo proporciona regiones de exclusión proyectadas de 2$\sigma$ para las observaciones del CTAO de Mrk 501 y PKS 2155−304, demostrando el potencial del observatorio para mejorar los límites actuales.
• Aplicación de ML en Búsquedas de ALPs: El trabajo introduce y valida un método basado en aprendizaje automático para restringir los parámetros de las ALPs. Demuestra que los clasificadores XGBoost pueden aprender eficazmente las características espectrales no lineales inducidas por la mezcla fotón-ALP sin depender de modelos paramétricos explícitos de las distorsiones espectrales.
• Comparación de Métodos: El estudio compara directamente el enfoque de ML con el LRT estándar, mostrando que el método de ML ofrece resultados consistentes con la técnica tradicional.

Resultados

• Regiones de Exclusión: Tanto el método LRT como el de ML predicen que el CTAO podrá excluir porciones significativas del espacio de parámetros de las ALPs, particularmente en regiones donde la energía crítica para la mezcla fuerte cae dentro del rango de energía del CTAO.
• Consistencia de Métodos: Los contornos de exclusión derivados del clasificador de ML (usando el estadístico $\Pi$) se alinean estrechamente con los obtenidos mediante el LRT.
• Límites de Rendimiento: Los clasificadores de ML alcanzan una alta precisión (>90%) en regiones donde las distorsiones espectrales inducidas por ALPs son distintivas. Sin embargo, el rendimiento se degrada en regiones de gran $m_a$ y pequeña $g_{a\gamma}$, donde las distorsiones espectrales son débiles y difíciles de distinguir del caso sin ALPs. En estas regiones, los clasificadores fallan correctamente en excluir la hipótesis, imitando el comportamiento del LRT.
• Incertidumbres Sistemáticas: Los autores señalan que el enfoque de ML puede ayudar a reducir el impacto de las incertidumbres sistemáticas dependientes del modelo, ya que los clasificadores aprenden la forma espectral directamente de los datos en lugar de depender de formas funcionales específicas para el espectro intrínseco de la fuente.

Significado y Reivindicaciones
El artículo afirma que el CTAO, con su resolución de energía y sensibilidad mejoradas, mejorará consistentemente los límites actuales de las ALPs. La principal significancia de este trabajo radica en la demostración de que los clasificadores de aprendizaje automático son una alternativa viable y efectiva para las pruebas de razón de verosimilitud estándar en la búsqueda de ALPs. Los autores sugieren que este nuevo método podría ser valioso para futuras búsquedas al mitigar potencialmente las incertidumbres sistemáticas asociadas con el modelado espectral. El estudio no reclama el descubrimiento de ALPs, sino que establece la capacidad proyectada del CTAO para restringir su existencia. Los resultados se presentan como una estimación del poder de restricción del CTAO basada en datos simulados, sirviendo como un punto de referencia para futuras campañas de observación.