On the Energy Distribution of the Galactic Center Excess' Sources

Résumé Technique : Sur la distribution énergétique de l'excès du Centre Galactique - Les Sources

Énoncé du Problème
L'Excès du Centre Galactique (GCE), un surplus observé d'émission gamma dans le centre de la Voie Lactée, fait l'objet d'un débat intense concernant son origine. Alors que certaines analyses suggèrent qu'il pourrait s'agir d'une preuve d'annihilation de la matière noire (DM), d'autres soutiennent qu'il provient d'une population de sources ponctuelles astrophysiques non résolues, telles que des pulsars millisecondes. Les tentatives précédentes pour distinguer ces scénarios à l'aide de l'ajustement de modèles non-poissoniens (NPTF) et de méthodes similaires basées sur la vraisemblance ont été confrontées à des limitations significatives. Ces méthodes reposent généralement sur deux approximations majeures pour garantir la tractabilité computationnelle : (1) négliger les corrélations entre pixels dans la carte de comptage de photons, et (2) écarter l'information spectrale (énergie). De plus, les approches antérieures de machine learning, spécifiquement celles utilisant des réseaux de neurones convolutifs (CNN), ont réussi à traiter la première approximation mais ont conservé la seconde, analysant les données dans un seul bin d'énergie. Ce manque d'information spectrale limite la capacité à distinguer le GCE des fonds astrophysiques, car le GCE possède un spectre d'énergie distinct par rapport aux fonds diffus dominants.

Méthodologie
Les auteurs présentent un cadre d'inférence basé sur la simulation qui étend les méthodologies CNN précédentes pour analyser conjointement les données spatiales et spectrales. Le cœur de leur approche repose sur deux réseaux de neurones indépendants entraînés sur des cartes simulées de Fermi-LAT :

1. Génération de Données : Les auteurs génèrent un million de cartes Fermi simulées utilisant une région d'intérêt dans un rayon de 25° du Centre Galactique (en excluant le plan et les sources brillantes). Crucialement, les données sont divisées en dix bins d'énergie espacés logarithmiquement (2–20 GeV). Les simulations intègrent des modèles dépendants de l'énergie pour l'émission diffuse (π⁰ + bremsstrahlung, Compton inverse), l'émission isotrope, les bulles de Fermi, et les composantes de sources ponctuelles (GCE et disque galactique). Les composantes de sources ponctuelles sont modélisées à l'aide d'un profil NFW généralisé pour le GCE et d'une double exponentielle pour le disque.
2. Architecture CNN : Le cadre utilise la bibliothèque DeepSphere, qui applique des convolutions basées sur les graphes sur des tessellations HEALPix.
   • Entrée : Cartes de comptage de photons de forme $n_{pix} \times n_{bins}$, où les bins d'énergie agissent comme des canaux analogues aux canaux de couleur dans les CNN standards.
   • Réseau 1 (Fraction de Flux) : Estime la contribution fractionnaire de chaque modèle à la fluxe total dans chaque bin d'énergie. Il est entraîné à l'aide d'une perte de log-vraisemblance négative avec une distribution gaussienne pour estimer les incertitudes.
   • Réseau 2 (Distribution du Nombre de Sources) : Infère la distribution de luminosité sous-jacente (Distribution du Nombre de Sources, SCD, ou $dN/dF$) pour les composantes de sources ponctuelles. Ce réseau utilise une approche d'inférence basée sur la simulation ancrée dans la régression quantile. Il prédit des histogrammes binés de la distribution cumulative du flux en utilisant la perte "Earth mover's pinball" (perte de type pinball du déplaceur de terre), permettant la reconstruction de la distribution postérieure complète à travers les bins de flux.
3. Stratégie d'Entraînement : Les réseaux sont entraînés sur des données fictives où les priors sont choisis pour garantir l'inclusion de cartes où les sources ponctuelles sont si faibles qu'elles sont indiscernables d'une émission de Poisson (l'hypothèse de la matière noire). Cela traite la dégénérescence physique où un nombre infini de sources infiniment faibles est mathématiquement équivalent à une émission de Poisson.

Contributions Clés

• Première Analyse Dépendante de l'Énergie : Ce travail fournit la première inférence simultanée du spectre du GCE et de sa Distribution du Nombre de Sources (SCD) en utilisant une approche de machine learning qui incorpore explicitement l'information énergétique.
• Suppression de l'Approximation Spectrale : En traitant les bins d'énergie comme des canaux d'entrée et en simulant les réponses instrumentales dépendant de l'énergie (spécifiquement la fonction de diffusion ponctuelle ou PSF), la méthode dépasse l'approximation du bin unique qui caractérisait les analyses précédentes sans apprentissage de la vraisemblance.
• Tests de Robustesse : Les auteurs effectuent des études systématiques approfondies, faisant varier les modèles de fond diffus (comparaison entre le Modèle O et le Modèle A), les morphologies spatiales du GCE (NFW, Einasto, Burkert), et les priors d'entraînement du CNN (modalité, luminosité, jitter spectral) pour évaluer la stabilité de leurs inférences.

Résultats

• Population de Sources plus Faible : L'inclusion de l'information énergétique pousse la SCD inférée à être significativement plus faible que les résultats des études précédentes basées sur la vraisemblance (ex: NPTF 2016) et même des analyses CNN précédentes indépendantes de l'énergie. La prédiction médiane pour la SCD du GCE culmine à des flux où les sources produisent, en moyenne, moins d'un photon.
• Consistance avec l'Émission de Poisson : Quantitativement, pour le meilleur modèle de fond (Modèle O), l'excès est essentiellement cohérent avec une émission de Poisson. À un niveau de confiance de 95 %, le réseau ne peut exclure que 3 % de l'émission comme étant incompatible avec les statistiques de Poisson. Cela suggère que si le GCE est composé de sources ponctuelles, il doit y avoir un nombre exceptionnellement grand d'entre elles (prédiction médiane de l'ordre de $\mathcal{O}(10^5)$, ou >35 000 à 90 % de confiance), plutôt que les centaines préférées par les analyses antérieures.
• Récupération Spectrale : Le CNN récupère un spectre pour le GCE cohérent avec les études antérieures, mais avec une variabilité bin-à-bin nettement réduite par rapport aux ajustements de vraisemblance de Poisson, reflétant la corrélation entre les bins d'énergie apprise durant l'entraînement.
• Sensibilité Systématique : Les résultats sont robustes aux variations du modèle de disque et de la morphologie du GCE (dans des limites raisonnables). Cependant, les résultats sont sensibles au choix du modèle de fond diffus. Lorsqu'entraîné sur le "Modèle A" (un modèle qui ajuste moins bien les données que le Modèle O), la SCD inférée devient plus brillante (plus proche du seuil de 1 photon), bien qu'elle reste plus faible que les résultats de vraisemblance antérieurs. Cela souligne que le modèle de fond diffus reste la principale incertitude systématique.

Signification et Revendications
L'article affirme que l'ajout de l'information énergétique agit comme un levier puissant, déplaçant l'interprétation du GCE d'une population de sources ponctuelles résolvables vers un scénario cohérent soit avec une origine véritablement diffuse (telle que l'annihilation de la matière noire), soit vers une population de sources si nombreuses et faibles qu'elles sont statistiquement indiscernables du bruit de Poisson.

Les auteurs soulignent que, bien que leur méthode affaiblisse l'un des arguments clés en faveur d'une origine par sources ponctuelles (la luminosité des sources), la conclusion reste sujette à la mise en garde des systématiques de fond. Ils déclarent que leurs conclusions ne prouvent pas définitivement l'origine par la matière noire, mais démontrent plutôt que l'hypothèse des sources ponctuelles nécessite une population beaucoup plus nombreuse et faible pour être viable. Ce travail sert de référence pour les futures applications de machine learning en astronomie gamma, suggérant que de nouvelles améliorations dans la gestion des systématiques de fond et l'extension de la plage d'énergie sont nécessaires pour résoudre définitivement la nature du GCE.