Weakly supervised machine learning for model-agnostic searches of new phenomena in the $\gamma$-ray sky

Résumé Technique : Apprentissage Automatique Faiblement Supervisé pour les Recherches Agnostiques au Modèle dans le Ciel de Rayons $\gamma$

Énoncé du Problème
Le ciel de rayons $\gamma$, particulièrement tel qu'observé par le télescope Fermi Large Area Telescope (Fermi-LAT), contient une population significative de sources non associées qui peuvent représenter de nouvelles populations astrophysiques ou de la physique exotique (par exemple, des sous-halos de matière noire, des oscillations axion-photon). Bien que l'apprentissage automatique (ML) soit devenu central pour la classification des sources et la recherche de nouvelle physique, les approches existantes reposent fortement sur un apprentissage entièrement supervisé. Une limitation critique survient lorsque le véritable signal exotique dévie du modèle d'entraînement supposé, entraînant une réduction significative de la sensibilité du classificateur. De plus, les méthodes entièrement supervisées sont mal adaptées aux scénarios où les étiquettes au niveau de l'événement ne sont pas disponibles ou lorsque le modèle de signal n'est que partiellement spécifié.

Méthodologie
Ce travail explore la classification faiblement supervisée comme une alternative moins dépendante du modèle. La stratégie centrale emploie une configuration fond de bruit contre mélange (BvM - Background-versus-Mixture) :

• Données d'Entraînement : Au lieu d'événements de signal et de fond étiquetés, les classificateurs sont entraînés sur deux échantillons présentant des proportions différentes de la composante de signal mais des distributions de fond identiques.
  • Échantillon $B$ (Fond) : Fond astrophysique pur $p_A(x)$.
  • Échantillon $M$ (Mélange) : Un mélange $f p_E(x) + (1-f) p_A(x)$, où $f$ est la fraction de signal et $p_E(x)$ la distribution du signal exotique.
• Base Théorique : Sous l'hypothèse que la composante de fond est distribuée de manière identique dans les deux échantillons, un classificateur entraîné pour distinguer $B$ de $M$ apprend un score monotone par rapport au rapport de vraisemblance optimal $p_E(x)/p_A(x)$. Cela permet l'identification de sous-ensembles de type signal sans nécessiter d'étiquettes d'événements individuels ou de connaissance préalable de la fraction de signal.
• Architecture du Classificateur : Les auteurs utilisent des Arbres de Décision Boostés (BDTs) (spécifiquement GradientBoostingClassifier de sklearn) comme classificateur par défaut. Les BDT ont été choisis plutôt que les réseaux de neurones pour leur stabilité, leur robustesse face aux entrées bruitées/corrélées et leur facilité d'optimisation. Les caractéristiques d'entrée sont des flux spectraux de bas niveau dans des bandes d'énergie standard (7 bacs pour les pulsars/AGN/DM et 50 bacs pour les recherches d'ALP) afin de maintenir une base agnostique au modèle.
• Augmentation de Données : Pour gérer le déséquilibre des classes et sonder de faibles fractions de signal, les auteurs emploient des flux normalisants (normalizing flows) pour générer des spectres de fond synthétiques (spécifiquement pour les AGN) qui correspondent aux propriétés statistiques des sources observées.

Contributions Clés et Applications
Ce travail valide cette approche à travers trois scénarios physiques distincts, comparant les résultats faiblement supervisés aux références entièrement supervisées :

1. Pulsars vs Noyaux Actifs de Galaxie (AGN) – Référence Contrôlée :

   • Configuration : En utilisant le catalogue 4FGL, les pulsars sont traités comme le signal et les AGN comme le fond.
   • Résultat : L'approche faiblement supervisée identifie avec succès les pulsars. À mesure que la fraction de signal dans le mélange augmente, le taux de vrais positifs (TPR) augmente et approche la performance de la référence entièrement supervisée. Le taux de faux positifs (FPR) reste stable. Cela démontre que la supervision faible peut récupérer une performance proche de l'optimale lorsque le signal et le fond sont spectralement distincts.

2. Sous-halos de Matière Noire – Défi Dépendant du Modèle :

   • Configuration : Des spectres de sous-halos simulés (annihilation de WIMP en $b\bar{b}$) sont injectés dans un fond de sources astrophysiques identifiées.
   • Résction : Le problème est plus complexe en raison du chevauchement spectral entre les sous-halos et les sources astrophysiques. Bien que la supervision faible puisse identifier des spectres de type sous-halo sans étiquettes de signal explicites, un écart de performance subsiste par rapport à la référence entièrement supervisée. Le TPR est plus bas, et le FPR est légèrement plus élevé, reflétant la frontière de décision conservatrice inhérente à la configuration BvM à de faibles fractions de signal. Cependant, la méthode évite la nécessité de réentraîner pour chaque hypothèse de masse de matière noire ou de canal d'annihilation spécifique.

3. Oscillations de Particules de Type Axion (ALP) – Irrégularités Spectrales :

   • Configuration : La recherche cible des déformations spectrales oscillatoires subtiles ("wiggles") dans les spectres de pulsars induites par le mélange photon-axion dans les champs magnétiques galactiques, plutôt qu'une nouvelle population de sources.
   • Résultat : L'étude simule des spectres modulés en utilisant l'outil GammaALPs et le modèle de champ magnétique galactique de Jansson-Farrar. Les auteurs comparent les stratégies supervisées et faiblement supervisées pour la détection de ces modulations. Les résultats soulignent la difficulté de détecter des caractéristiques spectrales subtiles avec un déséquilibre de classe élevé (10 % de signal), où le TPR reste faible même dans le cas supervisé. La méthode faiblement supervisée est présentée comme une stratégie viable pour classer les candidats basés sur les irrégularités spectrales sans scanner tout l'espace des paramètres ALP ($m_a, g_{a\gamma}$).

Résultats Clés

• Performance : Dans la référence "propre" (Pulsar vs AGN), la supervision faible approche la performance des classificateurs entièrement supervisés. Dans des scénarios plus complexes et chevauchants (Matière Noire), elle constitue une alternative robuste, bien que légèrement moins sensible, qui réduit la dépendance vis-à-vis de modèles de signal spécifiques.
• Dépendance à la Fraction de Signal : La performance de classification (spécifiquement le TPR) s'améliore généralement à mesure que la fraction de signal dans le mélange augmente, car la différence entre le fond pur et les échantillons mélangés devient plus prononcée.
• Robustesse : La méthode identifie avec succès des sous-ensembles de données anormaux tout en réduisant la dépendance aux modèles de signal détaillés durant la phase d'entraînement.

Signification et Revendications
Les auteurs positionnent ce travail non pas comme un remplacement des recherches dédiées basées sur la vraisemblance ou comme un outil direct pour maximiser la signification de la découverte dans les expériences de comptage. Au contraire, ils affirment que l'apprentissage faiblement supervisé sert de stratégie complémentaire de sélection de candidats et de classement d'anomalies.

• Agnosticisme au Modèle : Il permet l'analyse de données de rayons $\gamma$ où le modèle de signal est incertain, partiellement spécifié, ou lorsque les étiquettes au niveau de l'événement ne sont pas disponibles.
• Priorisation : La méthode peut prioriser les cibles intéressantes dans les grands catalogues de rayons $\gamma$ (tels que les sources non associées) pour une étude ultérieure via des analyses dédiées dépendantes du modèle, des observations multi-longueurs d'onde ou des mesures de suivi.
• Validation : En progressant d'une référence bien contrôlée vers des scénarios de plus en plus subtils, l'article établit le comportement atteignable de la supervision faible sous des conditions contrôlées, posant les bases de futures études traitant des effets de sélection réalistes et des décalages de domaine.

L'article conclut que l'apprentissage faiblement supervisé offre un ajout flexible à la boîte à outils de l'analyse des données de rayons $\gamma$, faisant le pont entre les développements de l'apprentissage automatique et de la physique des particules avec les applications astrophysiques.