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

Résumé Technique : Matière Noire dans Draco et Boötes I : Indices d'un Noyau dans une Naine Ultra-Faible via l'Inférence Basée sur la Simulation

Énoncé du Problème
Les profils de densité des galaxies naines sphéroïdales (dSph) constituent des sondes critiques pour distinguer les modèles de Matière Noire Froide (CDM) sans collision, qui prédisent des profils de densité internes « pointus » (cuspy, $\rho \propto r^{-1}$), des modèles alternatifs (par exemple, la matière noire auto-interagissante ou dissipative) qui prédisent des profils à « noyau » (cored, $\rho \propto r^0$). Cependant, l'extraction de ces profils à partir de la cinématique stellaire bruitée est entravée par des incertitudes systématiques, notamment la dégénérescence masse-anisotropie. Les méthodes traditionnelles reposant uniquement sur la dispersion de vitesse le long de la ligne de visée (LOSV), $\sigma_{\text{los}}$, échouent souvent à lever cette dégénérescence et sont biaisées en faveur de solutions pointues, même en l'absence de la dégénérescence, en raison de l'insensibilité intrinsèque de $\sigma_{\text{los}}$ aux pentes internes dans le régime de noyau et de l'influence du bruit d'échantillonnage. De plus, les pipelines d'inférence existants négligent souvent les incertitudes de mesure et les fonctions de sélection spectroscopiques (par exemple, limites de magnitude, encombrement), ce qui peut introduire des biais significatifs.

Méthodologie
Les auteurs présentent GraphNPE (Graph Neural Posterior Estimation), une extension d'un cadre d'inférence basée sur la simulation (SBI) conçue pour inférer directement les modèles de masse dynamique à partir d'échantillons cinématiques.

• Modèle Avancé (Forward Model) : Le modèle génère des cinématiques de galaxies naines synthétiques en utilisant la bibliothèque Agama. Il suppose un profil de Zhao pour la densité de matière noire (DM), un profil de Plummer pour la densité des traceurs stellaires, et un profil de Cuddeford-Osipkov-Merritt (COM) pour l'anisotropie de la vitesse.
• Incorporation des Effets Observationnels : Contra Dub l'itération précédente, ce cadre intègre explicitement :
  • Incertitudes de Mesure : Les incertitudes de LOSV par étoile sont modélisées via une convolution avec des noyaux gaussiens. Les incertitudes sont tirées d'un a priori de Jeffreys pour couvrir la gamme de valeurs trouvées dans les catalogues spectroscopiques.
  • Fonctions de Sélection : Des schémas d'abandon radial (simulant les limites de magnitude dans les régions externes et l'encombrement dans les régions internes) sont appliqués aux données fictives pour imiter l'incomplétude spatiale des relevés réels.
  • Construction du Graphe : Les données sont représentées comme un graphe où les nœuds sont les étoiles et les arêtes connectent les plus proches voisins. Les caractéristiques des nœuds incluent le rayon projeté, la LOSV et l'incertitude de la LOSV. Le nombre de voisins est fixé de manière adaptative (20 % du nombre total de traceurs) pour maintenir la connectivité à travers différentes tailles d'échantillons.
• Inférence : GraphNPE apprend la distribution postérieure $p(\theta|d)$ en minimisant la divergence de Kullback-Leibler entre la vraie distribution postérieure et un estimateur de densité neuronale (normalizing flow) conditionné par la représentation en graphe des données. Cela permet une inférence amortie, fournissant une évaluation rapide de la postérieure sans réentraînement.
• Ligne de Base de Comparaison : Les auteurs comparent GraphNPE à une modélisation de Jeans de second ordre, qui ajuste le profil de dispersion de la LOSV $\sigma_{\text{los}}(R)$ en utilisant une vraisemblance gaussienne. Cette ligne de base sert de contrôle pour isoler l'impact des moments de vitesse d'ordre supérieur.

Contributions Clés

1. Extension du Cadre : L'intégration d'incertitudes de mesure hétérogènes et de fonctions de sélection spectroscopiques dans le modèle avancé de GraphNPE, comblant ainsi l'écart entre les simulations idéalisées et les données observationnelles réelles.
2. Démonstration de l'Utilité des Moments d'Ordre Supérieur : L'article démontre que s'appuyer uniquement sur $\sigma_{\text{los}}$ conduit à des inférences biaisées. En opérant sur la fonction de distribution (DF) de l'espace des phases complet, GraphNPE accède implicitement aux moments d'ordre supérieur, spécifiquement le kurtosis de la LOSV ($\kappa_{\text{los}}$). Les auteurs montrent que $\kappa_{\text{los}}$ porte une information complémentaire à $\sigma_{\text{los}}$, particulièrement pour distinguer les profils à noyau, brisant ainsi la dégénérescence masse-anisotropie et atténuant les biais causés par le bruit d'échantillonnage.
3. Outil de Diagnostic : Les auteurs proposent le kurtosis de la LOSV comme un diagnostic de la postérieure standard. Ils montrent qu'un modèle peut bien ajuster $\sigma_{\text{los}}$ tout en échouant à reproduire $\kappa_{\text{los}}$, indiquant une récupération biaisée de la densité sous-jacente.

Résultats
Le cadre a été appliqué à deux satellites de la Voie Lactée : Draco (une naine sphéroïdale classique) et Boötes I (une naine ultra-faible), en utilisant plusieurs ensembles de données spectroscopiques (MMT/Hectochelle, DESI, S5, et données d'archives).

• Validation sur Données Fictives (Mock Validation) : Sur des jeux de données fictifs correspondant aux propriétés observationnelles des cibles, GraphN्हे a récupéré les profils de densité et d'anisotropie réels avec moins de biais que la modélisation de Jeans de second ordre. Crucialement, alors que la modélisation de Jeans inférait souvent des profils pointus biaisés pour les mocks à noyau (à cause du bruit dans $\sigma_{\text{los}}$), GraphNPE est resté robuste.
• Draco :
  • GraphNPE a produit des profils de densité cohérents entre les ensembles de données MMT et DESI, préférant marginalement un profil interne pointu ($\rho_{150} \sim 1,6\text{--}1,9 \times 10^8 M_\odot \text{kpc}^{-3}$), ce qui est cohérent avec la littérature.
  • La modélisation de Jeans de second ordre sur l'ensemble de données DESI a échoué à reproduire le kurtosis observé, important une normalisation de densité nettement inférieure et un profil à noyau. Cette divergence souligne que l'inférence de Jeans DESI-only était biaisée par un sous-échantillonnage dans les régions internes, un biais corrigé par l'utilisation des moments d'ordre supérieur par GraphNPE.
• Boötes I :
  • La puissance statistique était limitée par de petits échantillons et de grandes incertitudes de mesure par rapport à la dispersion intrinsèque.
  • Bien que la pente interne asymptotique $\gamma$ ne puisse être déterminée de manière définitive, GraphNPE a récupéré une densité de matière noire interne significativement plus faible que les analyses de Jeans non sphériques précédentes : $\rho_{150} = 0,36^{+0,15}_{-0,11} \times 10^8 M_\odot \text{kpc}^{-3}$ (pour l'échantillon combiné).
  • Cette valeur place Boötes I parmi les naines de faible densité comparables en masse stellaire et est cohérente avec un profil interne à noyau.
  • Les auteurs notent que bien que la pente interne reste ambiguë, la faible valeur de $\rho_{150}$ est robuste à travers différentes hypothèses de modélisation.

Signification et Revendications
L'article affirme que la combinaison d'une faible densité interne et d'une pente interne peu profonde dans Boötes I constitue le premier indice d'un noyau dans une naine ultra-faible. Les auteurs discutent de quatre origines physiques potentielles pour ce signal :

1. Formation de noyau par rétroaction (feedback) : Peu probable en raison du faible rapport masse stellaire/halo de Boötes I et de sa formation lors d'un sursaut unique de formation d'étoiles, insuffisant pour une rétroaction soutenue.
2. Épuration par effet de marée (Tidal stripping) : Plausible compte tenu du petit péricentre de l'objet, mais les simulations suggèrent que les marées seules ne peuvent transformer un cusp primordial en un noyau sans détruire la composante stellaire.
3. Halo à faible concentration : Statistiquement peu probable mais possible.
4. Modèles de matière noire alternatifs : La matière noire auto-interagissante (SIDM) est un candidat viable, car elle peut générer des noyaux via un chauffage gravothermal. La matière noire diffuse (Fuzzy DM) est déconseillée par les contraintes existantes.

Les auteurs concluent que distinguer ces scénarios nécessite un échantillon statistique plus large de naines ultra-faibles. Ils soulignent que l'utilisation de GraphNPE, en exploitant la fonction de distribution cinématique complète, offre un cadre robuste pour extraire le maximum d'informations à partir de cinématiques éparses, une capacité essentielle pour les études futures des naines ultra-faibles où les méthodes traditionnelles basées sur la dispersion sont sujettes à des biais. Ce travail souligne la nécessité d'incorporer des moments d'ordre supérieur (comme le kurtosis) ou des méthodes basées sur la fonction de distribution pour éviter les biais systématiques inhérents aux analyses basées uniquement sur la dispersion.