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

技術要約：SKA-Lowによる21cm信号におけるダークマター消滅の刻印に対する感度：畳み込みニューラルネットワークを用いたアプローチ

問題提起
ダークマターの根本的な性質は、宇宙論における最も重要な未解決問題の一つである。$\Lambda$CDMモデルは大規模構造を成功裏に記述しているが、ダークマターの粒子物理学を解明するものではない。潜在的なプローブ（探査手法）として、ダークマター粒子の消滅が挙げられる。これは再電離前期の銀河間物質（IGM）にエネルギーを注入し、中性水素の熱的および電離の履歴を変化させる。このエネルギー注入は、21cm微分輝度温度信号を修飾する。

21cm信号の現在の解析は、多くの場合、パワースペクトルのような要約統計量に依存しているが、これらは3次元輝度温度場にエンコードされた情報のすべてを捉えきれない可能性がある。さらに、異なるダークマターモデルを区別することは、天体物理学的パラメータ間の縮退によって困難である。**均質的（homogeneous）**なエネルギー注入（空間全体に一様に堆積すると仮定）と、不均質的（inhomogeneous）な注入（エネルギー堆積が局所的なダークマター密度コントラストやガス特性に比例する）の間には、決定的な違いが存在する。先行研究は、標準的な$\Lambda$CDMモデルとダークマター消滅を区別することに焦点を当ててきたが、本論文では、次世代のSKA-Low（Square Kilometre Array Low-frequency）望遠鏡を用いて、不均質的なダークマター消滅モデルを均質なモデルから区別するという、より微細な課題に取り組んでいる。

手法
著者らは、機械学習のアプローチ、具体的には畳み込みニューラルネットワーク（CNN）を用いて、3次元21cm微分輝度温度マップの分類を行っている。

1. シミュレーション・フレームワーク:

   • コード: 本研究では、21cmFAST（半数値的な宇宙論的シミュレーションコード）とDarkHistory（熱的および電離の進化を扱う）を統合したDM21cmコードを利用している。
   • 物理学: シミュレーションは、電子・陽電子対（$e^+e^-$）および光子対（$\gamma\gamma$）の2つの主要なチャネルへのダークマター消滅をモデル化している。エネルギー注入率は、局所的なダークマター密度コントラスト $\delta(x,z)$ に基づいて計算され、空間的に不均質な堆積を可能にしている。
   • パラメータ: ダークマター質量（$m_{DM}$）を1 MeVから100 MeVの範囲、および様々な消滅断面積（$\langle\sigma v\rangle$）を探索している。シミュレーションは、ボックスサイズ48 Mpc、解像度$64^3$グリッド（ボクセルサイズ0.75 Mpc）をカバーしている。
   • ノイズモデリング: 現実的な観測条件を反映するため、SKA-Lowの仕様（512ステーション、最大基線長74 km、積分時間$10^4$時間）に対応するガウス熱ノイズをシミュレーションマップに追加した。ノイズレベルは、$f_{Noise}$（0から1の範囲）としてパラメータ化されている。

2. 機械学習アーキテクチャ:

   • モデル: 標準的なCNNアーキテクチャを使用しており、4つの畳み込み層（3×3カーネル）、Leaky ReLU活性化関数、2×2マックスプーリング、およびバッチ正規化で構成されている。
   • 入力: ネットワークは、シミュレーションボックスの3次元ボクセル（16×16×16のサブ領域）を処理する。
   • 前処理: 標準的な正規化（平均減算および標準偏差によるスケーリング）が、均質モデルと不均質モデルの間のグローバルな振幅の差を抑制してしまうという制限に対処するため、著者らは入力画像の平均と標準偏差を明示的に抽出し、それらの統計量を全結合層の前に潜在特徴ベクトルに結合させている。
   • 学習: モデルは、1,000個の異なる宇宙論的実現から生成された128,000枚の画像（半分が均質、半分が不均質）を用いて学習される。データセットは、学習用（80%）、検証用（20%）、テスト用（20%）に分割されている。

主な結果

1. 電子・陽電子チャネル（$e^+e^-$）:

   • 識別能力: CNNは、$e^+e^-$チャネルにおける不均質および均質な消滅シナリオを正常に識別できる。
   • 性能指標: ダークマター質量 $m_{DM} = 1$ MeVの場合、モデルは消滅断面積 $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/sにおいて、中程度のノイズ（$f_{Noise} \leq 0.1$）下でも、AUC（曲線下の面積）0.72以上（ランダムな推測よりも優れた識別を示す）を達成した。
   • 最適な断面積: 識別性能は、断面積に対して非単調である。それは中間的な値（例：$m_{DM}=1$ MeVに対して $\langle\sigma v\rangle \approx 5 \times 10^{-29}$ cm$^3$/s）でピークに達する。
     • 低断面積: エネルギー注入が弱すぎて、明確なシグネチャを生み出せない。
     • 中間断面積: エネルギー注入が十分に局在化しているため、背景とは異なる加熱／電離の「バブル」が形成され、モデル間のコントラストが最大化される。
     • 高断面積: 二次光子の平均自由行程が増大し、エネルギーがより大きな体積へと拡散するため、不均質なシナリオが均質なシナリオに似通ってしまい、AUCが低下する。
   • 質量依存性: $m_{DM} = 100$ MeVの場合、効果的な識別のために必要な断面積は、二次光子の平均自由行程が長くなるため、$\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm$^3$/sへと上昇する。

2. 光子・光子チャネル（$\gamma\gamma$）:

   • 識別の失敗: CNNは、すべてのテストされた質量および断面積の範囲において、$\gamma\gamma$チャネルにおける不均質および均質モデルを識別することに失敗した（AUC $\lesssim 0.7$）。
   • 物理的理由: ダークマター消滅によって放出される光子の平均自由行程は、シミュレーションのセルサイズよりも大幅に大きく（多くの場合、ハッブル半径よりも大きく）、関連する赤方偏移において、光子は自由に移動してエネルギーを均質に堆積させるため、ソース分布の空間的不均質性を消し去ってしまう。このチャネルでは「オン・ザ・スポット（その場）」近似が成立しない。

3. パワースペクトル解析:

   • 不均質なシナリオは、均質なシナリオと比較して、より低い21cmパワースペクトルを示す。これは、局所的な加熱が、21cm吸収振幅を抑制する「バブル」を作成する一方で、残りの体積はグローバルな平均に近い状態を維持するためである。この統計的な均質化が、信号のゆらぎの分散を減少させる。

意義と主張
本論文は、機械学習技術、特にCNNが、従来の要約統計量（パワースペクトルのようなもの）が見逃す可能性のある、複雑な21cmデータから微細な空間的特徴を抽出するための、斬新かつ効果的なアプローチを提供することを主張している。

• 実現可能性: 本研究は、SKA-Low望遠鏡が、熱ノイズが存在する場合でも、特定のパラメータ範囲（$m_{DM} \sim 1$ MeV, $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s）において、不均質なダークマター消滅の刻印を検出できる感性を備えていることを示している。
• 手法的な進展: この研究は、正規化プロセス中に重要な識別特徴が抑制されるのを防ぐために、グローバルな統計的特徴（平均および標準偏差）をニューラルネットワークの入力に組み込むことの重要性を強調している。
• 物理的洞察: 研究は、不均質な消滅の検出可能性が、消滅チャネルおよび生成される粒子の平均自由行程に強く依存していることを明らかにしている。電子・陽電子チャネルは空間的不均質性の有望なプローブとなる一方で、光子チャネルは平均自由行程が大きいために空間的なシグネチャを事実上洗い流してしまう。

著者らは、将来の21cm観測が、高度な機械学習解析と組み合わせることで、エキゾチックなエネルギー注入源を調査し、ダークマターの微視的な性質、特に空間的に変動するエネルギー堆積メカニズムと一様なエネルギー堆積メカニズムを区別するための強固な経路を提供すると結論付けている。