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

Énoncé du Problème
Les axions-like particles (ALPs) sont des particules pseudo-scalaires hypothétiques prédites par diverses extensions du Modèle Standard. Une méthode primaire pour leur détection implique le mélange de photons et d'ALPs dans des champs magnétiques externes, ce qui peut conduire à des signatures spectrales distinctes dans les sources de rayons gamma. Les blazars, spécifiquement, servent de laboratoires idéaux pour cette recherche en raison de leurs distances cosmologiques, de leurs champs magnétiques intenses dans leurs jets relativistes, et de l'absorption résultante des rayons gamma de très haute énergie (VHE) par le fond diffus extragalactique (EBL). La présence d'ALPs pourrait induire des « ondulations » dépendantes de l'énergie ou un durcissement du spectre aux hautes énergies en permettant aux photons de se convertir en ALPs, de traverser des distances cosmologiques sans absorption par l'EBL, et de se reconvertir en photons dans le champ magnétique de la Voie Lactée.

L'Observatoire du Cherenkov Telescope Array (CTAO) devrait offrir des améliorations significatives de la résolution en énergie et de la sensibilité des sources ponctuelles par rapport aux télescopes au sol actuels. Cependant, l'extraction des signaux d'ALPs à partir des spectres de blazars est complexe en raison de la nature non linéaire et complexe des distorsions spectrales et des incertitudes systématiques potentielles. Alors que les approches statistiques standards basées sur le test du rapport de vraisemblance (LRT) sont couramment utilisées, cet article examine si des classifieurs d'apprentissage automatique (ML) peuvent offrir une alternative robuste pour contraindre l'espace des paramètres des ALPs ($m_a$ et $g_{a\gamma}$).

Méthodologie
L'étude se concentre sur deux blazars TeV bien connus, Mrk 501 et PKS 2155−304, simulant des observations pour leurs états de base et de flambée (flare) en utilisant la configuration « Alpha » du CTAO.

1. Simulation de Données :

   • Des données fictives ont été générées à l'aide du package Gammapy, simulant 50 heures d'observation pour les états de base et 5 heures pour les états de flambée.
   • Les modèles spectraux ont été dérivés du catalogue 4FGL-DR4 (log-parabole pour l'état de base) et de données historiques de flambées (log-parabole pour Mrk 501, loi de puissance avec coupure exponentielle pour PKS 2155−304).
   • Les oscillations photon-ALP ont été modélisées à l'aide du package Python gammaALPs, incorporant les environnements de champs magnétiques dans les jets des blazars (composantes hélicoïdales et désordonnées/tangled), le champ magnétique galactique de la Voie Lactée, et l'absorption par l'EBL.
   • L'espace des paramètres des ALPs a été balayé sur $m_a \in [0,1, 1000]$ neV et $g_{a\gamma} \in [0,03, 7] \times 10^{-11}$ GeV$^{-1}$.

2. Approches Statistiques :

   • Test du Rapport de Vraisemblance (LRT) : Une méthode de référence standard a été employée. Une statistique de test (TS) a été définie sur la base de la différence de log-vraisemblance entre l'hypothèse ALP et le meilleur modèle ajusté. Puisque le théorème de Wilks ne s'applique pas strictement aux recherches d'ALPs, la distribution de la TS a été déterminée empiriquement en simulant 100 jeux de données avec des effets d'ALPs et en les ajustant avec une fonction de densité de probabilité (PDF) Gamma.
   • Classifieurs d'Apprentissage Automatique (ML) : Une approche novatrice a été introduite utilisant l'algorithme XGBoost.
     • Une grille de classifieurs a été entraînée sur l'espace des paramètres des ALPs.
     • Chaque classifieur a été entraîné pour distinguer 20 000 jeux de données contenant des effets d'ALPs et 20 000 jeux de données présentant uniquement l'absorption par l'EBL (sans ALPs).
     • Les caractéristiques d'entrée étaient les comptes de photons excédentaires normalisés dans les intervalles d'énergie, conçus pour se concentrer sur la forme spectrale plutôt que sur le flux absolu.
     • Pour chaque paire $(m_a, g_{a\gamma})$, le classifieur produit un score représentant la vraisemblance qu'un jeu de données soit de type « ALP ». Une statistique complémentaire $\Pi$ a été définie pour évaluer la signification de l'exclusion.
     • La distribution de $\Pi$ pour les jeux de données de type ALP a été ajustée avec une PDF Beta pour calculer les niveaux de confiance et la signification d'exclusion (z-scores).

Principales Contributions

• Sensibilité Projetée : L'article fournit les régions d'exclusion projetées à 2$\sigma$ pour les observations du CTAO de Mrk 501 et PKS 2155−304, démontrant le potentiel de l'observatoire à améliorer les limites actuelles.
• Application du ML dans les recherches d'ALPs : Ce travail introduit et valide une méthode basée sur l'apprentissage automatique pour contraindre les paramètres des ALPs. Il démontre que les classifieurs XGBoost peuvent apprendre efficacement les caractéristiques spectrales non linéaires induites par le mélange photon-ALP sans dépendre d'un modèle paramétrique explicite des distorsions spectrales.
• Comparaison des Méthodes : L'étude compare directement l'approche ML avec le LRT standard, montrant que la méthode ML produit des résultats cohérents avec la technique traditionnelle.

Résultats

• Régions d'Exclusion : Les méthodes LRT et ML prédisent que le CTAO sera capable d'exclure des portions significatives de l'espace des paramètres des ALPs, particulièrement dans les régions où l'énergie critique pour un mélange fort se situe dans la gamme d'énergie du CTAO.
• Cohérence des Méthodes : Les contours d'exclusion dérivés du classifieur ML (utilisant la statistique $\Pi$) s'alignent étroitement avec ceux obtenus par le LRT.
• Limites de Performance : Les classifieurs ML atteignent une précision élevée (>90 %) dans les régions où les distorsions spectrales induites par les ALPs sont distinctes. Cependant, la performance se dégrade dans les régions de grand $m_a$ et de petit $g_{a\gamma}$, où les distorsions spectrales sont faibles et difficiles à distinguer du cas sans ALP. Dans ces régions, les classifieurs échouent correctement à exclure l'hypothèse, reproduisant le comportement du LRT.
• Incertitudes Systématiques : Les auteurs notent que l'approche ML peut aider à réduire l'impact des incertitudes systématiques dépendantes du modèle, car les classifieurs apprennent directement la forme spectrale à partir des données plutôt que de dépendre de formes fonctionnelles spécifiques pour le spectre intrinsèque de la source.

Signification et Revendications
L'article affirme que le CTAO, avec sa résolution en énergie et sa sensibilité améliorées, permettra d'améliorer systématiquement les limites actuelles sur l'espace des paramètres des ALPs. La principale importance de ce travail réside dans la démonstration que les classifieurs d'apprentissage automatique sont une alternative viable et efficace aux tests classiques du rapport de vraisemblance pour les recherches d'ALPs. Les auteurs suggèrent que cette nouvelle méthode pourrait être précieuse pour les recherches futures en atténuant potentiellement les incertitudes systématiques associées à la modélisation spectrale. L'étude ne prétend pas découvrir des ALPs, mais plutôt établir la capacité projetée du CTAO à contraindre leur existence. Les résultats sont présentés comme une estimation du pouvoir de contrainte du CTAO basée sur des données simulées, servant de référence pour les futures campagnes d'observation.