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

Resumen Técnico: Reconstrucción del Campo de Tiempo de Reionización a partir de Mapas de 21 cm en Cosmología WDM

Enunciado del Problema
La época de reionización (EoR) es una fase crítica en la evolución cósmica, sin embargo, su historia detallada sigue siendo esquiva. Aunque el campo de tiempo de reionización, $t_{\text{reion}}(\vec{r})$, ofrece una visión integral de cuándo y dónde el Universo se ionizó, no es directamente observable. Trabajos previos (Hiegel et al. 2023) demostraron que las Redes Neuronales Convolucionales (CNN) podían inferir $t_{\text{reion}}(\vec{r})$ a partir de mapas de 21 cm en un corrimiento al rojo fijo. No obstante, existe una limitación significativa: estos predictores se entrenan en modelos de reionización específicos (por ejemplo, Materia Oscura Fría, CDM). Cuando se aplican a datos observacionales que pueden derivar de condiciones físicas diferentes (por ejemplo, Materia Oscura Caliente, WDM), la fiabilidad de estos predictores es incierta. Existe la necesidad de evaluar la "coherencia" de estos predictores; específicamente, si un predictor entrenado en un modelo produce resultados consistentes cuando se aplica a datos generados por un modelo diferente, y si tales inconsistencias pueden utilizarse para validar o excluir modelos cosmológicos subyacentes.

Metodología
Los autores proponen un método para evaluar la coherencia del predictor tratando el modelo CDM como una entrada de referencia. El estudio utiliza mapas de 21 cm simulados generados mediante el código de simulación 21cmFAST bajo una cosmología $\Lambda$CDM, incorporando cuatro escenarios WDM con masas de partícula ($m_X$) de 2, 3, 5 y 7 keV.

1. Entrenamiento del Predictor: Se entrenaron cinco predictores CNN distintos (basados en una arquitectura U-net), cada uno sobre mapas de 21 cm correspondientes a un modelo de materia oscura específico (CDM, 2 keV, 3 keV, 5 keV, 7 keV) en corrimientos al rojo específicos ($z=8$ y $z=11$).
2. Aplicación Intermodelo: El núcleo de la metodología consiste en alimentar mapas de 21 cm generados por CDM (la "observación") en los cinco predictores.
3. Evaluación de Coherencia: Los autores comparan los campos de $t_{\text{reion}}(\vec{r})$ reconstruidos obtenidos del mismo predictor en dos corrimientos al rojo diferentes ($z=11$ y $z=8$). La hipótesis subyacente es que, para un par predictor-modelo consistente, las propiedades estadísticas de la reconstrucción deben ser invariantes a través de los corrimientos al rojo.
4. Métricas: Se calcularon cuatro métricas estadísticas sobre los campos reconstruidos para cuantificar la autoconsistencia:
   • Fracción de volumen de hidrógeno neutro ($Q_{HI}$).
   • Espectro de potencia del campo de tiempo de reionización ($P_k$).
   • Longitud total de isocontorno (representando la interfaz entre regiones ionizadas y neutras).
   • Número de mínimos en el campo $t_{\text{reion}}$ (representando fuentes de reionización).
5. Cuantificadores: Se definieron tres estimadores específicos para comparar los predictores WDM contra la referencia CDM:
   • RMSE: Error cuadrático medio de la diferencia entre las reconstrucciones de corrimiento al rojo ($S_{11} - S_8$).
   • Fracción de Coherencia ($q$): La relación del RMSE de CDM con el RMSE de WDM.
   • Coeficiente de Determinación ($R^2_\Delta$): Mide la distancia de la consistencia de una reconstrucción WDM en relación con la consistencia de la reconstrucción CDM. Un $R^2_\Delta$ negativo indica que el predictor WDM es menos consistente con la entrada que el predictor CDM lo es consigo mismo.
6. Análisis de Incertidumbre: La incertidumbre epistémica se estimó utilizando dropout de Monte Carlo para asegurar que el ruido de reconstrucción no dominara las comparaciones estadísticas.

Resultados Clave
El estudio encuentra que la capacidad de distinguir modelos depende en gran medida de la masa de la partícula WDM y de la métrica específica utilizada:

• Modelos de Alta Masa (5 y 7 keV): Los predictores entrenados en modelos de 5 y 7 keV exhiben una autoconsistencia de alto nivel cuando se aplican a entradas CDM, mostrando un comportamiento estadísticamente similar al predictor CDM en todas las métricas. Los valores de $R^2_\Delta$ son positivos y altos (por ejemplo, 0.83 para $Q_{HI}$ a 7 keV), lo que indica que estos modelos son difíciles de distinguir del CDM utilizando este método.
• Modelos de Baja Masa (2 keV): El predictor de 2 keV muestra desviaciones significativas en todas las métricas. Produce valores grandes de RMSE y valores negativos de $R^2_\Delta$ (por ejemplo, -4.8 para la longitud de isocontorno), lo que indica una incompatibilidad fundamental con los datos de entrada CDM. El modelo de 2 keV se excluye fácilmente.
• Modelo Intermedio (3 keV): El predictor de 3 keV muestra un comportamiento intermedio. Aunque generalmente se descarta, presenta un caso más complejo. Para algunas métricas (como el número de mínimos), muestra una alta fracción de coherencia ($q \approx 0.97$), sin embargo, aún produce un $R^2_\Delta$ más bajo en comparación con los modelos de 5 y 7 keV. Esto sugiere que confiar en una sola métrica es insuficiente; se requiere un análisis multi-métrico para identificar inconsistencias.
• Incertidumbre: La incertidumbre epistémica ($\Delta\sigma$) introducida por la reconstrucción CNN permanece subdominante ($\Delta\sigma < 1$) en todos los observables, confirmando que las desviaciones observadas se deben a un desajuste del modelo y no al ruido de reconstrucción.

Significado y Afirmaciones
El artículo afirma proporcionar un marco para validar predictores de aprendizaje automático antes de su aplicación a datos observacionales reales (como los del Telescopio Cuadrado Kilométrico, SKA). El significado principal radica en demostrar que los predictores CNN retienen sensibilidad a la física subyacente de los datos de entrenamiento.

• Selección de Modelos: El método permite la exclusión de modelos de reionización que son inconsistentes con los datos observacionales. Por ejemplo, el modelo WDM de 2 keV se excluye efectivamente basándose en su fallo para mantener la coherencia a través de los corrimientos al rojo cuando se aplica a datos similares a CDM.
• Limitaciones: Los autores notan modestamente que el método lucha por distinguir entre modelos que son físicamente similares (por ejemplo, WDM de 5 keV y 7 keV frente a CDM). Enfatizan que el objetivo no es restringir directamente los parámetros cosmológicos, sino evaluar la robustez de los predictores frente a desajustes de modelos.
• Trabajo Futuro: El artículo concluye que, aunque los resultados actuales son prometedores, las futuras aplicaciones a observaciones similares a las del SKA requerirán arquitecturas CNN mejoradas (por ejemplo, mecanismos de atención) y un mejor manejo del ruido instrumental y la contaminación de fondos. El estudio subraya la necesidad de validar los predictores contra sus modelos de entrada para garantizar aplicaciones confiables en el estudio de la reionización cósmica.