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

Sintesi Tecnica: Materia Oscura in Draco e Boötes I: Indizi di un Core in un Ultra-Faint Dwarf tramite Inferenza Basata su Simulazioni

Problema
I profili di densità delle galassie nane sferoidali (dSph) fungono da sonde critiche per distinguere tra i modelli di Materia Oscura Fredda (CDM) collisionless, che predicono profili di densità interni "cuspidi" ($\rho \propto r^{-1}$), e modelli alternativi (ad esempio, materia oscura auto-interagente o dissipativa) che predicono profili con "core" ($\rho \propto r^0$). Tuttavia, l'estrazione di questi profili da cinematica stellare rumorosa è ostacolata da incertezze sistematiche, in particolare la degenerazione massa-anisotropia. I metodi tradizionali che si affidano esclusivamente alla dispersione di velocità lungo la linea di vista (LOSV), $\sigma_{\text{los}}$, spesso non riescono a rompere questa degenerazione e sono distorti verso soluzioni cuspidi, anche in assenza della degenerazione, a causa dell'intrinseca insensibilità di $\sigma_{\text{los}}$ ai pendii interni nel regime di core e dell'influenza del rumore di campionamento. Inoltre, le attuali pipeline di inferenza spesso trascurano le incertezze di misura e le funzioni di selezione spettroscopica (ad esempio, limiti di magnitudine, affollamento), che possono introdurre significativi bias.

Metodologia
Gli autori presentano GraphNPE (Graph Neural Posterior Estimation), un'estensione di un framework di inferenza basata su simulazioni (SBI) progettato per inferire modelli di massa dinamica direttamente da campioni cinematici.

• Modello Forward: Il modello genera cinematica sintetica di galassie nane utilizzando la libreria Agama. Assume un profilo di Zhao per la densità di materia oscura (DM), un profilo di Plummer per la densità dei traccianti stellari e un profilo di Cuddeford-Osipkov-Merritt (COM) per l'anisotropia di velocità.
• Integrazione degli Effetti Osservativi: A differenza delle iterazioni precedenti, questo framework incorpora esplicitamente:
  • Incertezze di Misura: Le incertezze della LOSV per singola stella sono modellate tramite convoluzione con kernel gaussiani. Le incertezze sono estratte da una prior di Jeffreys per coprire l'intervallo di valori presenti nei cataloghi spettroscopici.
  • Funzioni di Selezione: Schemi di dropout radiale (che simulano i limiti di magnitudine nelle regioni esterne e l'affollamento nelle regioni interne) sono applicati ai dati mock per imitare l'incompletezza spaziale delle reali survey.
  • Costruzione del Grafo: I dati sono rappresentati come un grafo dove i nodi sono le stelle e gli archi collegano i vicini più prossimi. Le caratteristiche dei nodi includono il raggio proiettato, la LOSV e l'incertezza della LOSV. Il numero di vicini è impostato adattivamente (20% del totale dei traccianti) per mantenere la connettività attraverso diverse dimensioni di campione.
• Inferenza: GraphNPE apprende la distribuzione posteriore $p(\theta|d)$ minimizzando la divergenza di Kullback-Leibler tra la vera posteriore e un estimatore di densità neurale (normalizing flow) condizionato dalla rappresentazione a grafo dei dati. Ciò consente un'inferenza ammortizzata, fornendo una rapida valutazione della posteriore senza necessità di riaddestramento.
• Baseline di Confronto: Gli autori confrontano GraphNza con la modellazione Jeans del secondo ordine, che adatta il profilo di dispersione della LOSV $\sigma_{\text{los}}(R)$ utilizzando una verosimiglianza gaussiana. Questa baseline serve come controllo per isolare l'impatto dei momenti di velocità di ordine superiore.

Contributi Chiave

1. Estensione del Framework: L'integrazione di incertezze di misura eterogenee e funzioni di selezione spettroscopica nel modello forward di GraphNPE, colmando il divario tra simulazioni idealizzate e dati osservativi reali.
2. Dimostrazione dell'Utilità dei Momenti di Ordine Superiore: Il documento dimostra che fare affidamento esclusivamente su $\sigma_{\text{los}}$ porta a inferenze distorte. Operando sulla funzione di distribuzione (DF) dello spazio delle fasi completo, GraphNPE accede implicitamente a momenti di ordine superiore, specificamente alla curtosi della LOSV ($\kappa_{\text{los}}$). Gli autori mostrano che $\kappa_{\text{los}}$ porta informazioni complementari a $\sigma_{\text{los}}$, in particolare nel distinguere i profili con core, rompendo così la degenerazione massa-anisotropia e mitigando i bias causati dal rumore di campionamento.
3. Strumento Diagnostico: Gli autori propongono la curtosi della LOSV come uno standard diagnostico per la posteriore. Mostrano che un modello può adattare bene $\sigma_{\text{los}}$ pur fallendo nel riprodurre $\kappa_{\text{los}}$, indicando un recupero distorto del sottostante profilo di densità.

Risultati
Il framework è stato applicato a due satelliti della Via Lattea: Draco (una dSph classica) e Boötes I (un ultra-faint dwarf), utilizzando molteplici dataset spettroscopici (MMT/Hectochelle, DESI, S5 e dati d'archivio).

• Validazione Mock: Su dataset mock corrispondenti alle proprietà osservative dei target, GraphNPE ha recuperato i veri profili di densità e anisotropia con meno bias rispetto alla modellazione Jeans del secondo ordine. Crucialmente, mentre la modellazione Jeans spesso inferiva profili cuspidi distorti per i mock con core (a causa del rumore in $\sigma_{\text{los}}$), GraphNPE è rimasto robusto.
• Draco:
  • GraphNPE ha prodotto profili di densità coerenti tra i dataset MMT e DESI, preferendo marginalmente un profilo interno cuspido ($\rho_{150} \sim 1.6\text{--}1.9 \times 10^8 M_\odot \text{kpc}^{-3}$), coerente con la letteratura.
  • La modellazione Jeans del secondo ordine sul dataset DESI ha fallito nel riprodurre la curtosi osservata, inferendo una normalizzazione di densità significativamente inferiore e un profilo con core. Questa discrepanza evidenzia come l'inferenza Jeans basata solo su DESI sia stata distorta dal sottocampionamento nelle regioni interne, un bias corretto dall'uso di momenti di ordine superiore da parte di GraphNPE.
• Boötes I:
  • Il potere statistico era limitato dai piccoli campioni e dalle grandi incertezze di misura rispetto alla dispersione intrinseca.
  • Sebbene il pendio interno asintotico $\gamma$ non potesse essere determinato in modo definitivo, GraphNPE ha recuperato una densità interna di DM significativamente inferiore rispetto alle precedenti analisi Jeans non sferiche: $\rho_{150} = 0.36^{+0.15}_{-0.11} \times 10^8 M_\odot \text{kpc}^{-3}$ (per il campione combinato).
  • Questo valore pone Boötes I tra i dwarf a più bassa densità di massa comparabile e è coerente con un profilo interno con core.
  • Gli autori notano che, sebbene il pendio interno rimanga ambiguo, il basso valore di $\rho_{150}$ è robusto rispetto a diverse assunzioni di modellazione.

Significatività e Rivendicazioni
L'articolo sostiene che la combinazione di bassa densità interna e pendio interno superficiale in Boötes I fornisce il primo indizio di un core in un ultra-faint dwarf. Gli autori discutono quattro potenziali origini fisiche per questo segnale:

1. Formazione di core guidata dal feedback: Dissuasa a causa del basso rapporto massa stellare-alone di Boötes I e della sua formazione in un singolo breve burst di formazione stellare, insufficiente per un feedback sostenuto.
2. Stripping mareale (Tidal stripping): Plausibile dato il piccolo pericentro del satellite, ma le simulazioni suggeriscono che i soli processi mareali non possano trasformare un cuspide primordiale in un core senza distruggere la componente stellare.
3. Alone a bassa concentrazione: Statisticamente improbabile ma possibile.
4. Modelli di materia oscura alternativi: La materia oscura auto-interagente (SIDM) è un candidato viabile, poiché può generare core tramite riscaldamento gravotermico. La materia oscura fuzzy è scoraggiata dalle evidenze esistenti.

Gli autori concludono che distinguere tra questi scenari richiede un campione statistico più ampio di ultra-faint dwarf. Enfatizzano che GraphNPE, sfruttando la funzione di distribuzione cinematica completa, offre un framework robusto per estrarre la massima informazione da cinematica scarse, una capacità essenziale per studi futuri sugli ultra-faint dwarf dove i metodi tradizionali basati sulla sola dispersione sono soggetti a bias. Il lavoro sottolinea la necessità di incorporare momenti di ordine superiore (come la curtosi) o metodi basati sulla funzione di distribuzione per evitare i bias sistematici inerenti alle analisi basate solo sulla dispersione.