KineticXGPU: A Tensorized Collision Operator for Dark-Sector Self-Scattering

Resumen Técnico: KineticXGPU: Un Operador de Colisión Tensorizado para la Auto-dispersión del Sector Oscuro

Planteamiento del Problema
La naturaleza microscópica de la materia oscura (DM) sigue siendo desconocida, y las historias de producción alternativas como el freeze-in están ganando tracción debido a la falta de señales de detección directa. En escenarios donde la DM se produce a través de múltiples canales en diferentes momentos (por ejemplo, decaimientos térmicos tempranos y decaimientos tardíos de condensados), la distribución de fase resultante puede ser no térmica y bimodal. Las auto-interacciones pueden relajar estas distribuciones hacia el equilibrio térmico (Equilibrio Térmico Local, LTE), pero la eficiencia de este proceso depende de la tasa de dispersión elástica $2 \to 2$.

Resolver la ecuación de Boltzmann completa (fBE) para rastrear la evolución dependiente del momento de tales distribuciones es numéricamente exigente. El operador de colisión elástica acopla diferentes regiones del espacio de fases, lo que requiere una sumatoria sobre la rejilla de momentos para cada bin. Las herramientas públicas existentes para la evolución de la materia oscura (por ejemplo, DRAKE, BEST) suelen depender de implementaciones basadas en CPU o aproximaciones de fluidos (ecuaciones de Boltzmann acopladas, cBE) que asumen una forma térmica. Las aproximaciones de fluidos no logran capturar características no térmicas, mientras que los resolvedores basados en CPU con resolución de momento luchan contra el costo computacional de las integrales de alta dimensión requeridas por el término de colisión.

Metodología
Los autores presentan KineticXGPU, una implementación basada en PyTorch del operador de auto-colisión elástica $2 \to 2$ diseñada para la aceleración por GPU.

1. Discretización y Tensorización:

   • Se resuelve la ecuación de Boltzmann para la distribución de fase $f(t, p)$ en un universo en expansión. Los autores cambian al momento comóvil $q = a(t)p$ para eliminar el término de desplazamiento al rojo de Hubble del lado izquierdo de la ecuación.
   • El espacio de momentos se discretiza en una rejilla logarítmica. El operador de colisión, que implica una integral tetradimensional sobre los momentos restringida por la conservación de energía-momento, se reduce a una suma sobre los puntos de la rejilla.
   • Crucialmente, el operador discretizado se reformula como una serie de contracciones tensoriales. La estructura de ganancia-pérdida ($f_n f_m - f_i f_{\tilde{j}}$) se evalúa sumando sobre los índices de momento internos ($n, m$) para cada bin externo ($i$). Esta estructura permite que las operaciones sean altamente paralelizables, mapeándose naturalmente en arquitectas de GPU.

2. Implementación Numérica:

   • Integración: La evolución temporal utiliza el factor de escala $a$ (o $u = \log a$) como la variable independiente. La estrategia de integración es adaptativa:
     • En tiempos tempranos donde la auto-dispersión es insignificante ($\Gamma_{2\to2} \ll H$), se utiliza un método de Runge-Kutta de cuarto orden de paso fijo con el término de colisión establecido en cero.
     • Una vez que la tasa de dispersión se vuelve significativa ($\Gamma_{2\to2}/H > 10^{-2}$), el resolvedor cambia a un método Heun adaptativo para manejar la no linealidad del término de colisión.
   • Conservación: Para asegurar la conservación estricta del número de partículas y la energía (momentos de orden cero y primero), los autores implementan una técnica de proyección. La contribución elástica se proyecta sobre el subespacio con momentos nulos para corregir los errores numéricos derivados de rangos de rejilla finitos, interpolación y cuadratura.
   • Validación: El código se valida contra el evaluador semi-analítico en el marco BEST. Las comparaciones muestran acuerdo en los valores del operador de colisión, ocurriendo los residuales principalmente cerca de las características no térmicas donde la sensibilidad de la interpolación es más alta.

3. Escenario Físico:
   El código se aplica a un escenario de "dos fuentes de freeze-in" que involucra una partícula de DM escalar $\chi$.

   • Fuente 1: Decaimientos del portal de Higgs ($h \to \chi\chi$) que ocurren temprano en el baño térmico.
   • Fuente 2: Decaimiento de un condensado escalar frío ($\Phi \to \chi\chi$) que ocurre más tarde, inyectando una población monoenergética con un momento distinto.
   • Interacción: Una interacción de contacto cuártica ($\lambda \chi^4$) impulsa la auto-dispersión elástica.

Resultados Clave

• Rendimiento: El enfoque tensorizado demuestra una ventaja computacional significativa. Las pruebas de rendimiento muestran que la implementación en GPU (usando PyTorch) supera a la implementación en CPU y al evaluador semi-analítico de BEST, particularmente a medida que aumenta el número de bins de momento ($N_{grid}$). El tiempo de ejecución de la GPU escala eficientemente debido a la naturaleza paralela de las contracciones tensoriales.
• Evolución de Distribuciones Bimodales:
  • En ausencia de auto-interacciones, la distribución final de la DM retiene una clara forma bimodal, reflejando las dos épocas de producción distintas.
  • A medida que la fuerza de la auto-acoplamiento ($\lambda$) aumenta, la dispersión elástica erosiona progresivamente la separación entre los dos componentes de momento.
  • Para interacciones suficientemente fuertes, la distribución se relaja hacia una forma Maxwell–Boltzmann, consistente con el LTE.
• Comparación con Aproximaciones de Fluidos: Los autores comparan la solución completa de fase-espacio (fBE) con un tratamiento de fluido acoplado (cBE) que asume una forma térmica con temperatura y potencial químico dependientes del tiempo.
  • En el régimen de interacción débil, la solución fBE permanece visiblemente no térmica, mientras que la cBE asume una forma térmica.
  • La aproximación de fluidos falla en capturar la persistencia de las características no térmicas y la dinámica de relajación específica observada en el tratamiento cinético completo.

Significancia y Reivindicaciones
El artículo afirma que KineticXGPU proporciona una herramienta robusta y disponible públicamente para estudiar la evolución del sector oscuro donde los efectos dependientes del momento son críticos. Su significancia principal radica en:

1. Habilitar Estudios Cinéticos: Permite el estudio de procesos de relajación en escenarios donde la jerarquía de tasas no garantiza el LTE, específicamente cuando múltiples canales de producción crean distribuciones no térmicas.
2. Eficiencia Computacional: Al aprovechar la aceleración por GPU mediante contracciones tensoriales, hace que la resolución de la ecuación de Boltzmann completa con auto-dispersión elástica sea computacionalmente factible, superando los cuellos de botella de los enfoques previos basados en CPU.
3. Perspectiva Física: La aplicación al escenario de dos fuentes demuestra que las auto-interacciones pueden alterar significativamente el espectro de potencia de la materia a pequeña escala al suavizar o borrar las características no térmicas, efectos que serían omitidos por las aproximaciones de fluidos.

Los autores concluyen que, si bien el código se centra en la distribución no perturbada y el operador de auto-colisión, el marco computacional es general y puede extenderse a otros modelos del sector oscuro o cálculos de perturbación. El código se pone a disposición en GitHub para facilitar la reproducibilidad y el desarrollo posterior en el campo.