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

Problematica
Le particelle tipo assione (ALP - Axion-like particles) sono particelle pseudo-scalari ipotetiche predette da varie estensioni del Modello Standard. Un metodo primario per la loro rilevazione coinvolge il mixing di fotoni e ALP in campi magnetici esterni, che può portare a distinte firme spettrali nei sorgenti di raggi gamma. I blazar, specificamente, fungono da laboratori ideali per questa ricerca grazie alle loro distanze cosmologiche, ai forti campi magnetici nei loro jet relativistici e al conseguente assorbimento di raggi gamma ad altissima energia (V1HE) da parte della radiazione di fondo extragalattica (EBL). La presenza di ALP potrebbe indurre "oscillazioni" spettrali dipendenti dall'energia o un indurimento dello spettro alle alte energie, permettendo ai fotoni di convertirsi in ALP, attraversare distanze cosmologiche senza assorbimento EBL e riconvertirsi in fotoni nel campo magnetico della Via Lattea.

L'osservatorio Cherenkov Telescope Array (CTAO) si aspetta di offrire miglioramenti significativi nella risoluzione energetica e nella sensibilità delle sorgenti puntiformi rispetto agli attuali telescopi terrestri. Tuttavia, estrarre segnali ALP dagli spettri dei blazar è una sfida a causa della natura complessa e non lineare delle distorsioni spettrali e delle potenziali incertezze sistematiche. Sebbene gli approcci statistici standard basati sul test del rapporto di verosimiglianza (LRT) siano comunemente utilizzati, questo articolo investiga se i classificatori di machine learning (ML) possano offrire un'alternativa robusta per vincolare lo spazio dei parametri delle ALP ($m_a$ e $g_{a\gamma}$).

Metodologia
Lo studio si concentra su due noti blazar TeV, Mrk 501 e PKS 2155−304, simulando le osservazioni sia per i loro stati basali che per quelli di flare utilizzando la configurazione "Alpha" di CTAO.

1. Simulazione dei dati:

   • I dati fittizi sono stati generati utilizzando il pacchetto Gammapy, simulando 50 ore di osservazione per gli stati basali e 5 ore per gli stati di flare.
   • I modelli spettrali sono stati derivati dal catalogo 4FGL-DR4 (log-parabola per lo stato basale) e da dati storici di flare (log-parabola per Mrk 501, exponential cutoff power law per PKS 2155−304).
   • Le oscillazioni fotone-ALP sono state modellate utilizzando il pacchetto Python gammaALPs, incorporando gli ambienti di campo magnetico nei jet dei blazar (componenti elicoidali e disordinati/tangled), il campo magnetico galattico della Via Lattea e l'assorbimento EBL.
   • Lo spazio dei parametri delle ALP è stato scansionato su $m_a \in [0.1, 1000]$ neV e $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV$^{-1}$.

2. Approcci Statistici:

   • Test del Rapporto di Verosimiglianza (LRT): È stato impiegato un metodo di riferimento standard. Una statistica di test (TS) è stata definita sulla base della differenza tra i log-verosimiglianze tra l'ipotesi ALP e il modello di miglior adattamento. Poiché il teorema di Wilks non si applica strettamente alle ricerche di ALP, la distribuzione della TS è stata determinata empiricamente simulando 100 dataset con effetti ALP e adattandoli con una funzione di densità di probabilità (PDF) Gamma.
   • Classificatori di Machine Learning (ML): Un approccio innovativo è stato introdotto utilizzando l'algoritmo XGBoost.
     • Una griglia di classificatori è stata addestrata sullo spazio dei parametri delle ALP.
     • Ogni classificatore è stato addestrato per distinguere tra 20.000 dataset contenenti effetti ALP e 20.000 dataset con solo assorbimento EBL (senza ALP).
     • Le caratteristiche di input erano i conteggi di fotoni in eccesso normalizzati nei bin di energia, progettati per concentrarsi sulla forma spettrale piuttosto che sul flusso assoluto.
     • Per ogni coppia $(m_a, g_{a\gamma})$, il classificatore restituisce un punteggio che rappresenta la verosimiglianza che un dataset sia "simile a una ALP". Una statistica complementare $\Pi$ è stata definita per valutare la significatività dell'esclusione.
     • La distribuzione di $\Pi$ per i dataset simili a ALP è stata adattata con una PDF Beta per calcolare i livelli di confidenza e la significatività dell'esclusione (z-score).

Contributi Chiave

• Sensibilità Proiettata: L'articolo fornisce le regioni di esclusione 2$\sigma$ proiettate per le osservazioni CTAO di Mrk 501 e PKS 2155−304, dimostrando il potenziale dell'osservatorio per migliorare i limiti attuali.
• Applicazione del ML nelle Ricerche di ALP: Il lavoro introduce e valida un metodo basato sul machine learning per vincolare i parametri delle ALP. Dimostra che i classificatori XGBoost possono apprendere efficacementamente le caratteristiche spettrali non lineari indotte dal mixing fotone-ALP senza dipendere da espliciti modelli parametrici delle distorsioni spettrali.
• Confronto tra Metodi: Lo studio confronta direttamente l'approccio ML con il tradizionale LRT, mostrando che il metodo ML fornisce risultati coerenti con la tecnica tradizionale.

Risultati

• Regioni di Esclusione: Sia il metodo LRT che il metodo ML prevedono che CTAO sarà in grado di escludere porzioni significative dello spazio dei parametri delle ALP, particolarmente nelle regioni in cui l'energia critica per il mixing forte rientra nell'intervallo energetico di CTAO.
• Coerenza dei Metodi: I contorni di esclusione derivati dal classificatore ML (usando la statistica $\Pi$) si allineano strettamente con quelli ottenuti tramite l'LRT.
• Limiti di Performance: I classificatori ML raggiungono un'accuratezza elevata (>90%) nelle regioni in cui le distorsioni spettrali indotte dalle ALP sono distinte. Tuttavia, le prestazioni degradano nelle regioni di grande $m_a$ e piccola $g_{a\gamma}$, dove le distorsioni spettrali sono deboli e difficili da distinguere dal caso privo di ALP. In queste regioni, i classificatori falliscono correttamente l'esclusione dell'ipotesi, rispecchiando il comportamento dell'LRT.
• Incertezze Sistematiche: Gli autori notano che l'approccio ML può aiutare a ridurre l'impatto delle incertezze sistematiche dipendenti dal modello, poiché i classificatori apprendono direttamente la forma spettrale dai dati anziché dipendere da specifiche forme funzionali per lo spettro intrinseco della sorgente.

Significato e Rivendicazioni
L'articolo afferma che CTAO, con la sua potenziata risoluzione energetica e sensibilità, migliorerà costantemente i limiti attuali sullo spazio dei parametri delle ALP. La principale importanza di questo lavoro risiede nella dimostrazione che i classificatori di machine learning sono un'alternativa valida ed efficace ai test standard del rapporto di verosimiglianza per le ricerche di ALP. Gli autori suggeriscono che questo nuovo metodo potrebbe essere prezioso per le ricerche future, potendo mitigare le incertezze sistematiche associate alla modellazione spettrale. Lo studio non rivendica la scoperta di ALP, ma mira a stabilire la capacità proiettata di CTAO di vincolarne l'esistenza. I risultati sono presentati come una stima della capacità di vincolo di CTAO basata su dati simulati, servendo da benchmark per future campagne osservative.