Dark Matter in Draco and Boötes I: Hints of a Core in an Ultra-Faint Dwarf from Simulation-Based Inference

Resumen Técnico: Materia Oscura en Draco y Boötes I: Indicios de un Núcleo en un Enano Ultra-Débil mediante Inferencia Basada en Simulaciones

Planteamiento del Problema
Los perfiles de densidad de las galaxias enanas esferoidales (dSph) sirven como sondas críticas para distinguir entre modelos de Materia Oscura Fría (CDM) colisionales, que predicen perfiles de densidad interna "puntiagudos" o con cúspide ($\rho \propto r^{-1}$), y modelos alternativos (por ejemplo, materia oscura auto-interactuante o disipativa) que predicen perfiles con "núcleo" ($\rho \propto r^0$). Sin embargo, la extracción de estos perfiles a partir de la cinemática estelar ruidosa se ve obstaculizada por incertidumbres sistemáticas, notablemente la degeneración masa-anisotropía. Los métodos tradicionales que dependen únicamente de la dispersión de la velocidad en la línea de visión (LOSV), $\sigma_{\text{los}}$, a menudo fallan al romper esta degeneración y están sesgados hacia soluciones con cúspide, incluso en ausencia de la degeneración, debido a la insensibilidad intrínseca de $\sigma_{\text{los}}$ a las pendientes internas en el régimen de núcleo y a la influencia del ruido de muestreo. Además, los procesos de inferencia existentes suelen omitir las incertidumbres de medición y las funciones de selección espectroscópica (por ejemplo, límites de magnitud, hacinamiento), lo que puede introducir sesgos significativos.

Metodología
Los autores presentan GraphNPE (Estimación de la Posterior de Grafos), una extensión de un marco de inferencia basada en simulaciones (SBI) diseñada para inferir modelos de masa dinámica directamente a partir de muestras cinemáticas.

• Modelo de Propagación (Forward Model): El modelo genera cinemáticas sintéticas de galaxias enanas utilizando la librería Agoma. Asume un perfil de Zhao para la densidad de materia oscura (DM), un perfil de Plummer para la densidad de trazadores estelares y un perfil de Cuddeford-Osipkov-Merritt (COM) para la anisotropía de la velocidad.
• Incorporación de Efectos Observacionales: A diferencia de iteraciones anteriores, este marco incorpora explícitamente:
  • Incertidumbres de Medición: Las incertidumbres de la LOSV por estrella se modelan mediante la convolución con núcleos gaussianos. Las incertidumbres se extraen de una distribución previa de Jeffreys para cubrir el rango de valores encontrados en catálogos espectroscópicos.
  • Funciones de Selección: Se aplican esquemas de abandono radial (simulando límites de magnitud en regiones exteriores y hacinamiento en regiones interiores) a los datos simulados para imitar la incompletitud espacial de los sondeos reales.
  • Construcción de Grafos: Los datos se representan como un grafo donde los nodos son estrellas y las aristas conectan a los vecinos más cercanos. Las características de los nodos incluyen el radio proyectado, la LOSV y la incertidumbre de la LOSV. El número de vecinos se establece de forma adaptativa (20% del total de trazadores) para mantener la conectividad a través de distintos tamaños de muestra.
• Inferencia: GraphNPE aprende la distribución posterior $p(\theta|d)$ minimizando la divergencia de Kullback-Leibler entre la posterior verdadera y un estimador de densidad neuronal (flujo normalizante) condicionado a la representación del grafo de los datos. Esto permite una inferencia amortizada, proporcionando una evaluación rápida de la posterior sin necesidad de reentrenamiento.
• Línea Base de Comparación: Los autores comparan GraphNPE contra el modelado de Jeans de segundo orden, que ajusta el perfil de dispersión de la LOSV $\sigma_{\text{los}}(R)$ utilizando una verosimilitud gaussiana. Esta línea base sirve como control para aislar el impacto de los momentos de velocidad de orden superior.

Contribuciones Clave

1. Extensión del Marco: La integración de incertidumbres de medición heterogéneas y funciones de selección espectroscópica en el modelo de propagación de GraphNPE, cerrando la brecha entre las simulaciones idealizadas y los datos observacionales reales.
2. Demostración de la Utilidad de los Momentos de Orden Superior: El estudio demuestra que depender únicamente de $\sigma_{\text{los}}$ conduce a inferencias sesgadas. Al operar sobre la función de distribución (DF) de fase completa, GraphNPE accede implícitamente a momentos de orden superior, específicamente la curtosis de la LOSV ($\kappa_{\text{los}}$). Los autores muestran que $\kappa_{\text{los}}$ porta información complementaria a $\sigma_{\text{los}}$, particularmente para distinguir perfiles con núcleo, rompiendo así la degeneración masa-anisotropía y mitigando los sesgos causados por el ruido de muestreo.
3. Herramienta de Diagnóstico: Los autores proponen la curtosis de la LOSV como un diagnóstico estándar de la posterior. Demuestran que un modelo puede ajustar bien $\sigma_{\text{los}}$ mientras falla en reproducir $\kappa_{\text{los}}$, lo que indica una recuperación sesgada de la densidad subyacente.

Resultos
El marco se aplicó a dos satélites de la Vía Láctea: Draco (una dSph clásica) y Boötes I (un enano ultra-débil), utilizando múltiples conjuntos de datos espectroscópicos (MMT/Hectochelle, DESI, S5 y datos de archivo).

• Validación de Mocks: En conjuntos de datos simulados que coinciden con las propiedades observacionales de los objetivos, GraphNPE recuperó los perfiles de densidad y anisotropía reales con menos sesgo que el modelado de Jeans de segundo orden. Crucialmente, mientras que el modelado de Jeans a menudo infería perfiles con cúspide sesgados (debido al ruido en $\sigma_{\text{los}}$), GraphNPE se mantuvo robusto.
• Draco:
  • GraphNPE produjo perfiles de densidad consistentes entre los conjuntos de datos MMT y DESI, prefiriendo marginalmente un perfil interno con cúspide ($\rho_{150} \sim 1.6\text{--}1.9 \times 10^8 M_\odot \text{kpc}^{-3}$), consistente con la literatura.
  • El modelado de Jeans de segundo orden en el conjunto de datos DESI falló al reproducir la curtosis observada, infiriendo una normalización de densidad significativamente menor y un perfil con núcleo. Esta discrepancia resalta que la inferencia de Jeans de DESI-solo estaba sesgada por el submuestreo en las regiones internas, un sesgo corregido por el uso de momentos de orden superior de GraphNPE.
• Boötes I:
  • El poder estadístico se vio limitado por los pequeños tamaños de muestra y las grandes incertidumbres de medición en relación con la dispersión intrínseca.
  • Aunque la pendiente interna asintótica $\gamma$ no pudo determinarse definitivamente, GraphNPE recuperó una densidad de materia oscura interna significativamente menor que los análisis previos de Jeans no esféricos: $\rho_{150} = 0.36^{+0.15}_{-0.11} \times 10^8 M_\odot \text{kpc}^{-3}$ (para la muestra combinada).
  • Este valor sitúa a Boötes I entre los enanos de menor densidad de masa estelar comparable y es consistente con un perfil interno con núcleo.
  • Los autores señalan que, aunque la pendiente interna sigue siendo ambigua, el bajo valor de $\rho_{150}$ es robusto a través de diferentes supuestos de modelado.

Significancia y Reivindicaciones
El artículo sostiene que la combinación de baja densidad interna y una pendiente interna poco pronunciada en Boötes I proporciona el primer indicio de un núcleo en un enano ultra-débil. Los autores discuten cuatro posibles orígenes físicos para esta firma:

1. Formación de núcleo impulsada por retroalimentación (feedback): Desfavorecida debido a la baja relación masa estelar-halo de Boötes I y su formación en un único brote corto de formación estelar, insuficiente para una retroalimentación sostenida.
2. Despojo de marea (Tidal stripping): Es plausible dado su pequeño pericentro, pero las simulaciones sugieren que las mareas por sí solas no pueden transformar una cúspide primordial en un núcleo sin destruir el componente estelar.
3. Halo de baja concentración: Estadísticamente improbable pero posible.
4. Modelos de materia oscura alternativa: La materia oscura auto-interactuante (SIDM) es un candidato viable, ya que puede generar núcleos mediante calentamiento gravotérmico. La materia oscura difusa (Fuzzy DM) es desfavorecida por las restricciones existentes.

Los autores concluyen que distinguir entre estos escenarios requiere una muestra estadística más grande de enanos ultra-débiles. Enfatizan que GraphNPE, al aprovechar la función de distribución cinemática completa, ofrece un marco robusto para extraer la máxima información de cinemáticas dispersas, una capacidad esencial para estudios futuros de enanos ultra-débiles donde los métodos tradicionales basados en la dispersión son propensos al sesgo. El trabajo subraya la necesidad de incorporar momentos de orden superior (como la curtosis) o métodos basados en la función de distribución para evitar los sesgos sistemáticos inherentes a los análisis de solo dispersión.