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

Résumé technique : Reconstruction du champ de temps de réionisation à partir de cartes 21 cm en cosmologie WDM

Énoncé du problème
L'époque de la réionisation (EoR) constitue une phase critique de l'évolution cosmique, mais son histoire détaillée reste insaisissable. Bien que le champ de temps de réionisation, $t_{\text{reion}}(\vec{r})$, offre une vue d'ensemble complète du moment et du lieu où l'Univers est devenu ionisé, il n'est pas directement observable. Des travaux antérieurs (Hiegel et al. 2023) ont démontré que les réseaux de neurones convolutifs (CNN) pouvaient inférer $t_{\text{reion}}(\vec{r})$ à partir de cartes 21 cm à un redshift fixe. Cependant, une limitation majeure existe : ces prédicteurs sont entraînés sur des modèles de réionisation spécifiques (par exemple, la matière noire froide, CDM). Lorsqu'ils sont appliqués à des données observationnelles pouvant provenir de conditions physiques différentes (par exemple, la matière noire tiède, WDM), la fiabilité de ces prédicteurs est incertaine. Il est nécessaire d'évaluer la « cohérence » de ces prédicteurs — spécifiquement, de savoir si un prédicteur entraîné sur un modèle produit des résultats cohérents lorsqu'il est appliqué à des données générées par un modèle différent, et si de telles incohérences peuvent être utilisées pour valider ou exclure des modèles cosmologiques sous-jacents.

Méthodologie
Les auteurs proposent une méthode pour évaluer la cohérence des prédicteurs en traitant le modèle CDM comme une entrée de référence. L'étude utilise des cartes 21 cm simulées générées à l'aide du code de simulation 21cmFAST dans un cadre cosmologique $\Lambda$CDM, intégrant quatre scénarios WDM avec des masses de particules ($m_X$) de 2, 3, 5 et 7 keV.

1. Entraînement des prédicteurs : Cinq prédicteurs CNN distincts (basés sur une architecture U-net) ont été entraînés, chacun sur des cartes 21 cm correspondant à un modèle de matière noire spécifique (CDM, 2 keV, 3 keV, 5 keV, 7 keV) à des redshifts spécifiques ($z=8$ et $z=11$).
2. Application inter-modèles : Le cœur de la méthodologie consiste à alimenter des cartes 21 cm générées par le modèle CDM (l'« observation ») dans les cinq prédicteurs.
3. Évaluation de la cohérence : Les auteurs comparent les champs $t_{\text{reion}}(\vec{r})$ reconstruits obtenus à partir du même prédicteur à deux redshifts différents ($z=11$ et $z=8$). L'hypothèse sous-jacente est que, pour une paire prédicteur-modèle cohérente, les propriétés statistiques de la reconstruction devraient être invariantes à travers les redshifts.
4. Métriques : Quatre métriques statistiques ont été calculées sur les champs reconstruits pour quantifier l'auto-cohérence :
   • Fraction volumique d'hydrogène neutre ($Q_{HI}$).
   • Spectre de puissance du champ de temps de réionisation ($P_k$).
   • Longueur totale des isocontours (représentant l'interface entre les régions ionisées et neutres).
   • Nombre de minima dans le champ $t_{\text{reion}}$ (représentant les sources de réionisation).
5. Quantificateurs : Trois estimateurs spécifiques ont été définis pour comparer les prédicteurs WDM par rapport à la référence CDM :
   • RMSE : Erreur quadratique moyenne de la différence entre les reconstructions aux redshifts ($S_{11} - S_8$).
   • Fraction de cohérence ($q$) : Le rapport du RMSE CDM au RMSE WDM.
   • Coefficient de détermination ($R^2_\Delta$) : Mesure la distance de la cohérence d'une reconstruction WDM par rapport à la cohérence de la reconstruction CDM. Une valeur négative de $R^2_\Delta$ indique que le prédicteur WDM est moins cohérent avec l'entrée que le prédicteur CDM ne l'est avec lui-même.
6. Analyse des incertitudes : L'incertitude épistémique a été estimée à l'aide de l'abandon (dropout) de Monte Carlo pour s'assurer que le bruit de reconstruction ne dominait pas les comparaisons statistiques.

Résultats clés
L'étude révèle que la capacité à distinguer les modèles dépend fortement de la masse de la particule WDM et de la métrique spécifique utilisée :

• Modèles à haute masse (5 et 7 keV) : Les prédicteurs entraînés sur les modèles de 5 et 7 keV présentent une auto-cohérence de haut niveau lorsqu'ils sont appliqués à des entrées CDM, affichant un comportement statistiquement similaire au prédicteur CDM sur toutes les métriques. Les valeurs de $R^2_\Delta$ sont positives et élevées (par exemple, 0,83 pour $Q_{HI}$ à 7 keV), indiquant que ces modèles sont difficiles à distinguer du CDM en utilisant cette méthode.
• Modèles à faible masse (2 keV) : Le prédicteur de 2 keV présente des écarts significatifs sur toutes les métriques. Il produit de grandes valeurs de RMSE et des valeurs négatives de $R^2_\Delta$ (par exemple, -4,8 pour la longueur des isocontours), indiquant une incompatibilité fondamentale avec les données d'entrée CDM. Le modèle de 2 keV est facilement exclu.
• Modèle intermédiaire (3 keV) : Le prédicteur de 3 keV montre un comportement intermédiaire. Bien qu'il soit généralement écarté, il présente un cas plus complexe. Pour certaines métriques (comme le nombre de minima), il affiche une fraction de cohérence élevée ($q \approx 0,97$), mais il produit néanmoins un $R^2_\Delta$ plus faible que les modèles de 5 et 7 keV. Cela suggère que se fier à une seule métrique est insuffisant ; une analyse multi-métrique est requise pour identifier les incohérences.
• Incertitude : L'incertitude épistémique ($\Delta\sigma$) introduite par la reconstruction CNN reste subdominante ($\Delta\sigma < 1$) sur tous les observables, confirmant que les écarts observés sont dus à un décalage de modèle plutôt qu'au bruit de reconstruction.

Signification et affirmations
L'article revendique la fourniture d'un cadre pour valider les prédicteurs d'apprentissage automatique avant leur application à des données observationnelles réelles (telles que celles du Square Kilometre Array, SKA). La signification principale réside dans la démonstration que les prédicteurs CNN conservent une sensibilité à la physique sous-jacente des données d'entraînement.

• Sélection de modèles : La méthode permet d'exclure les modèles de réionisation qui sont incohérents avec les données observationnelles. Par exemple, le modèle WDM de 2 keV est effectivement exclu sur la base de son échec à maintenir la cohérence à travers les redshifts lorsqu'il est appliqué à des données de type CDM.
• Limites : Les auteurs notent modestement que la méthode peine à distinguer entre des modèles physiquement similaires (par exemple, 5 keV et 7 keV WDM par rapport au CDM). Ils soulignent que l'objectif n'est pas de contraindre directement les paramètres cosmologiques, mais d'évaluer la robustesse des prédicteurs face aux décalages de modèle.
• Travaux futurs : L'article conclut que, bien que les résultats actuels soient prometteurs, les futures applications aux observations de type SKA nécessiteront des architectures CNN améliorées (par exemple, des mécanismes d'attention) et une meilleure prise en compte du bruit instrumental et de la contamination par le fond. L'étude souligne la nécessité de valider les prédicteurs par rapport à leurs modèles d'entrée pour garantir des applications fiables dans l'étude de la réionisation cosmique.