Sensitivity toward dark matter annihilation imprints on 21-cm signal with SKA-Low: A convolutional neural network approach

Sintesi Tecnica: Sensibilità verso le impronte dell'annichilazione della materia oscura nel segnale a 21 cm con SKA-Low: un approccio basato su Reti Neurali Convoluzionali

Problema
La natura fondamentale della materia oscura rimane uno dei problemi cosmologici più significativi e irrisolti. Sebbene il modello Lambda Cold Dark Matter ($\Lambda$CDM) descriva con successo la struttura su larga scala, esso non elucida la fisica delle particelle della materia oscura. Una potenziale sonda è l'annichilazione delle particelle di materia oscura, che inietta energia nel mezzo intergalattico (IGM) durante l'era della pre-riionizzazione, alterando la storia termica e di ionizzazione dell'idrogeno neutro. Questa iniezione di energia modifica il segnale della temperatura di brillantezza differenziale a 21 cm.

Le analisi attuali del segnale a 21 cm si affidano spesso a statistiche riassuntive, come lo spettro di potenza, che possono non essere in grado di catturare tutta l'informazione codificata nei campi tridimensionali della temperatura di brillantezza. Inoltre, distinguere tra diversi modelli di materia oscura è complicato dalle degenerazioni tra i parametri astrofisici. Esiste una distinzione critica tra l'iniezione di energia omogenea (assumendo una deposizione uniforme nello spazio) e quella ineguogene (dove la deposizione di energia scala con i contrasti di densità della materia oscura locale e le proprietà del gas). Studi precedenti si sono concentrati sul distinguere l'annichilazione della materia oscura dal modello standard $\Lambda$CDM; questo articolo affronta la sfida più sottile di distinguere i modelli di annichilazione della materia oscura ineguogene da quelli omogenei utilizzando il prossimo radiotelescopio Square Kilometre Array Low-frequency (SKA-Low).

Metodologia
Gli autori impiegano un approccio di machine learning, specificamente Reti Neurali Convoluzionali (CNN), per classificare mappe tridimensionali della temperatura di brillantezza differenziale a 21 cm.

1. Framework di Simulazione:

   • Codici: Lo studio utilizza il codice DM21cm, che integra 21cmFAST (un codice di simulazione cosmologica semi-numerica) e DarkHistory (per l'evoluzione termica e di ionizzazione).
   • Fisica: Le simulazioni modellano l'annichilazione della materia oscura in due canali primari: coppie elettrone-positrone ($e^+e^-$) e coppie fotone-fotone ($\gamma\gamma$). Il tasso di iniezione di energia è calcolato sulla base del contrasto di densità locale della materia oscura, $\delta(x,z)$, permettendo una deposizione spazialmente inegualogene.
   • Parametri: Lo studio esplora masse della materia oscura ($m_{DM}$) che vanno da 1 MeV a 100 MeV e varie sezioni d'urto di annichilazione ($\langle\sigma v\rangle$). Le simulazioni coprono una dimensione della box di 48 Mpc con una risoluzione di $64^3$ griglie (dimensione del voxel 0,75 Mpc).
   • Modellazione del Rumore: Per riflettere le condizioni osservative realistiche, viene aggiunto alle mappe simulate un rumore termico Gaussiano corrispondente alle specifiche di SKA-Low (512 stazioni, baseline massima di 74 km, tempo di integrazione di $10^4$ ore), dove il livello di rumore è parametrizzato da una frazione $f_{Noise}$ compresa tra 0 e 1.

2. Architettura di Machine Learning:

   • Modello: Viene utilizzata un'architettura CNN standard, composta da quattro strati convoluzionali (kernel 3$\times$3), attivazioni Leaky ReLU, max pooling 2$\times$2 e batch normalization.
   • Input: La rete elabora sotto-regioni 3D (16$\times$16$\times$16) della box di simulazione.
   • Pre-elaborazione: Per affrontare il limite secondo cui la normalizzazione standard (sottrazione della media e scalatura della deviazione standard) potrebbe sopprimere le differenze di ampiezza globale tra i modelli omogenei e inegualogene, gli autori estraggono esplicitamente la media e la deviazione standard delle immagini di input e le concatenano al vettore delle caratteristiche latenti prima degli strati completamente connessi (fully connected).
   • Addestramento: Il modello è addestrato su 128.000 immagini (metà omogenee, metà inegualogene) generate da 1.000 diverse realizzazioni cosmologiche. Il dataset è diviso in set di addestramento (80%), validazione (20%) e test (20%).

Risultati Chiave

1. Canale Elettrone-Positrone ($e^+e^-$):

   • Capacità di Discriminazione: La CNN distingue con successo tra scenari di annichilazione inegualogene e omogenei per il canale $e^+e^-$.
   • Metriche di Prestazione: Per una massa di materia oscura $m_{DM} = 1$ MeV, il modello raggiunge un'Area Sotto la Curva (AUC) $\geq 0,72$ (indicando una discriminazione migliore del caso casuale) per sezioni d'urto di annichilazione $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s, anche con un rumore moderato ($f_{Noise} \leq 0,1$).
   • Sezione d'Urto Ottimale: La prestazione di discriminazione è non monotona rispetto alla sezione d'urto. Essa raggiunge il picco a valori intermedi (ad esempio, $\langle\sigma v\rangle \approx 5 \times 10^{-29}$ cm$^3$/s per $m_{DM}=1$ MeV).
     • Sezione d'urto bassa: L'iniezione di energia è troppo debole per creare firme distinte.
     • Sezione d'urto intermedia: L'iniezione di energia è sufficientemente localizzata da creare "bolle" di riscaldamento/ionizzazione distinte dal background, massimizzando il contrasto tra i modelli.
     • Sezione d'urto alta: Il cammino libero medio dei fotoni secondari aumenta, causando una diffusione dell'energia su volumi più grandi, rendendo lo scenario ineguale omogeneo e riducendo l'AUC.
   • Dipendenza dalla Massa: Per $m_{DM} = 100$ MeV, la sezione d'urto richiesta per una discriminazione efficace aumenta a $\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm$^3$/s a causa del cammino libero medio più lungo dei fotoni secondari ad alta energia.

2. Canale Fotone-Fotone ($\gamma\gamma$):

   • Fallimento della Discriminazione: La CNN non riesce a distinguere tra modelli inegualogene e omogenei per il canale $\gamma\gamma$ in tutti i range di massa e sezione d'urto testati (AUC $\lesssim 0,7$).
   • Ragione Fisica: Il cammino libero medio dei fotoni emessi dall'annichilazione della materia oscura è significativamente più grande della dimensione della cella di simulazione (e spesso del raggio di Hubble) ai redshift rilevanti. Di conseguenza, i fotoni viaggiano liberamente e depositano l'energia in modo omogeneo, cancellando le ineguaglianze spaziali della distribuzione della sorgente. L'approssimazione "on-the-spot" è invalida per questo canale.

3. Analisi dello Spettro di Potenza:

   • Lo scenario ineguale presenta uno spettro di potenza a 21 cm inferiore rispetto allo scenario omogeneo. Ciò accade perché il riscaldamento localizzato crea "bolle" in cui l'ampiezza di assorbimento a 21 cm è soppressa, mentre il resto del volume rimane più vicino alla media globale. Questa omogeneizzazione statistica riduce la varianza delle fluttuazioni del segnale.

Significato e Rivendicazioni
L'articolo sostiene che le tecniche di machine learning, specificamente le CNN, offrono un approccio nuovo ed efficace per estrarre sottili caratteristiche spaziali da dati complessi a 21 cm che le statistiche riassuntive tradizionali (come lo spettro di potenza) potrebbero perdere.

• Fattibilità: Lo studio dimostra che il telescopio SKA-Low, anche con il rumore termico, possiede la sensibilità per rilevare le impronte dell'annichilazione ineguale della materia oscura per specifici intervalli di parametri (ad esempio, $m_{DM} \sim 1$ MeV, $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s).
• Avanzamento Metodologico: Il lavoro evidenzia l'importanza di incorporare le caratteristiche statistiche globali (media e deviazione standard) nell'input della rete neurale per evitare la soppressione di caratteristiche distintive critiche durante la normalizzazione.
• Intuizione Fisica: La ricerca chiarisce che la rilevabilità dell'annichilazione ineguale dipende fortemente dal canale di annichilazione e dal cammino libero medio delle particelle risultanti. Mentre i canali elettrone-positrone offrono una sonda valida per le ineguaglianze spaziali, i canali fotonici cancellano efficacemente tali firme spaziali a causa dei lunghi cammini liberi medi.

Gli autori concludono che le future osservazioni a 21 cm, combinate con analisi avanzate di machine learning, forniscono una via robusta per sondare sorgenti di iniezione di energia esotiche e vincolare le proprietà microscopiche della materia oscura, in particolare per distinguere tra meccanismi di deposizione di energia spazialmente variabili e uniformi.