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

技術要約：DracoおよびBoötes Iにおけるダークマター：シミュレーションに基づく推論による超微小矮小銀河におけるコアの兆候

問題提起
矮小楕円銀河（dSph）の密度プロファイルは、衝突のない冷たいダークマター（CDM）モデル（「カスプ型」の内部密度プロファイル $\rho \propto r^{-1}$ を予測）と、代替モデル（自己相互作用型や散逸型ダークマターなど、 $\rho \propto r^0$ の「コア型」プロファイルを予測）を区別するための重要なプローブである。しかし、ノイズの多い星の運動学からこれらのプロファイルを抽出することは、系統的な不確実性、特に質量・異方性の縮退によって困難となっている。線速度分散 $\sigma_{\text{los}}$ のみに依存する従来の解析手法は、この縮退を打破できないことが多く、また、コア型領域における $\sigma_{\text{los}}$ の本質的な感度の低さやサンプリングノイズの影響により、コア型に対してバイアス（偏り）が生じやすい。さらに、既存の推論パイプラインは、測定誤差や分光学的選択関数（等級限界や混雑など）を無視していることが多く、これらが重大なバイアスを引き起こす可能性がある。

手法
著者らは、運動学的サンプルから力学的質量モデルを直接推論するために設計された、シミュレーションに基づく推論（SBI）フレームワークの拡張である GraphNPE（グラフ・ニューラル・事後分布推定）を提示している。

• フォワードモデル: モデルは、Agama ライブラリを用いて合成的な矮小銀河の運動学を生成する。これは、ダークマター（DM）密度に Zhao プロファイルを、恒星トレーサー密度に Plummer プロファイルを、そして速度異方性に Cuddeford-Osipkov-Merritt (COM) プロファイルを仮定している。
• 観測効果の組み込み: 本フレームワークは、以前の反復とは異なり、以下の要素を明示的に組み込んでいる：
  • 測定誤差: 各星の $\text{LOSV}$ 不確定性は、ガウスカーネルによる畳み込みを介してモデル化される。不確定性は、分光カタログに見られる範囲をカバーするように、ジェフリーズ事前分布から抽出される。
  • 選択関数: 実在するサーベイの空間的な不完全性を模倣するため、半径方向のドロップアウト・スキーム（外縁部での等級限界や内縁部での混雑をシミュレート）が模擬データに適用される。
  • グラフ構築: データは、星をノードとし、近傍の星をエッジで結ぶグラフとして表現される。ノードの特徴量には、投影半径、$\text{LOSV}$、および $\text{LOSV}$ 不確定量が含まれる。接続性を維持するため、エッジの数は適応的に設定される（全トレーサー数の20%）。
• 推論: GraphNPE は、データのグラフ表現を条件としたニューラル密度推定器（ノーマライジング・フロー）を用いて、真の事後分布 $p(\theta|d)$ を学習し、カルバック・ライブラー（KL）ダイバージェンスを最小化する。これにより、再学習を必要としない、高速な事後分布評価（アモータイズされた推論）が可能となる。
• 比較ベースライン: 著者らは、$\sigma_{\text{los}}(R)$ の線速度分散プロファイルをガウス尤度を用いてフィッティングする 二次モーメント・ジーンズ・モデリング と比較を行う。これは、高次速度モーメントの影響を分離するためのコントロールとして機能する。

主要な貢献

1. フレームワークの拡張: 異種混合の測定誤差と分光学的選択関数を GraphNPE のフォワードモデルに統合することで、理想的なシミュレーションと実際の観測データの間の溝を埋めた。
2. 高次モーメントの有用性の実証: $\sigma_{\text{los}}$ のみに依存することは、バイアスのある推論につながることを本論文は示している。全位相空間分布関数（DF）上で動作することにより、GraphNPE は暗黙的に高次モーメント、特に $\text{LOSV}$ 尖度（$\kappa_{\text{los}}$）を利用する。著者らは、$\kappa_{\text{los}}$ が $\sigma_{\text{los}}$ と相補的な情報を持ち、特にコア型プロファイルを識別する際に、質量・異方性の縮退を打破し、サンプリングノイズによるバイアスを軽減することを示した。
3. 診断ツール: 著者らは、$\text{LOSV}$ 尖度を標準的な事後分布診断として提案している。モデルが $\sigma_{\text{los}}$ を良好にフィットできても $\kappa_{\text{los}}$ を再現できない場合、それは基礎となる密度プロファイルの誤った推論を示しており、バイアスが生じていることを示す指標となる。

結果
本フレームワークは、2つの天の川銀河衛星である Draco（古典的な dSph）と Boötes I（超微小矮小銀河）に適用された（MMT/Hectochelle、DESI、S5、およびアーカイブデータを使用）。

• 模擬検証: 実測データの特性に合わせた模擬データセットにおいて、GraphNPE は、二次モーメント・ジーンズ・モデリングよりもバイアスの少ない密度および異方性プロファイルを回収した。決定的なのは、ジーンズ・モデリングがコア型の模擬データに対して（$\sigma_{\text{los}}$ のノイズにより）バイアスのあるカスプ型のプロファイルを推論しがちな一方で、GraphNPE は堅牢であったことである。
• Draco:
  • GraphNPE は、MMT および DESI のデータセット間で一貫した密度プロファイルを与え、文献と一致するカスプ型の内部プロファイル（$\rho_{150} \sim 1.6\text{--}1.9 \times 10^8 M_\odot \text{kpc}^{-3}$）をわずかに好んだ。
  • DESI データセットを用いた二次モーメント・ジーンズ・モデリングは、観測された尖度を再現できず、大幅に低い密度正規化量とコア型のプロファイルを推論した。この不一致は、DESI 単独のジーンズ推論が、内縁部におけるアンダーサンプリングによってバイアスを受けていたことを浮き彫りにしており、GraphN辺の用いる高次モーメントによってこのバイアスが修正された。
• Boötes I:
  • サンプルサイズが小さく、固有の分散に対する測定誤差が大きいため、統計的精度は限定的であった。
  • 漸近的な内部勾配 $\gamma$ を確定的に決定することはできなかったが、GraphNPE は、従来の非球形ジーンズ解析よりも有意に低い内部ダークマター密度を回収した：結合サンプルにおける $\rho_{150} = 0.36^{+0.15}_{-0.11} \times 10^8 M_\odot \text{kpc}^{-3}$ である。
  • この値は、同等の恒星質量を持つ矮小銀河の中で最も密度の低いものの一つに Boötes I を位置づけるものであり、コア型の内部構造と矛盾しない。
  • 著者らは、内部勾配自体は曖昧であるものの、$\rho_{150}$ の低さはロバスト（頑健）であると述べている。

意義と主張
本論文は、Boötes I における低い内部密度と浅い内部勾配の組み合わせが、超微小矮小銀河におけるコアの最初の兆候を提供すると主張している。著者らは、このシグネチャの潜在的な物理的起源として4つのシナリオを議論している：

1. フィードバックによるコア形成: Boötes I の恒星対ハロー質量比が低く、恒星形成が単発の短いバーストであったため、持続的なフィードバックには不十分であり、否定的である。
2. 潮汐剥離: 近接軌道を持つことから妥当ではあるが、シミュレーションによれば、潮汐だけで恒星成分を破壊することなく原始的なカスプをコアに変えることは困難である。
3. 低濃度ハロー: 統計的には低い確率だが、可能性はある。
4. 代替ダークマターモデル: 自己相互作用型ダークマター（SIDM）は、重力熱的加熱を通じてコアを生成できるため、有力な候補である。ファジー・ダークマターは既存の制約から否定的である。

著者らは、これらのシナリオを区別するには、より大きな統計的サンプルが必要であると結論付けている。彼らは、GraphNPE が全運動学的分布関数を活用することで、希薄な運動学から最大限の情報を抽出するための堅牢なフレームワークを提供しており、その能力は、従来の分散のみの手法がバイアスを受けやすい将来の超微小矮小銀河の研究において不可欠であると強調している。本研究は、分散のみの解析に内在する系統的なバイアスを回避するために、高次モーメント（尖度など）や分布関数に基づいた手法を用いる必要性を裏付けている。