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

Technische Samenvatting: Gevoeligheid voor de afdrukken van donkere materie-annihilatie in het 21-cm signaal met SKA-Low: Een Convolutioneel Neuraal Netwerk-benadering

Probleemstelling
De fundamentele aard van donkere materie blijft een van de meest significante onopgeloste problemen in de kosmologie. Hoewel het $\Lambda$CDM-model de grootschalige structuur succesvol beschrijft, verklaart het niet de deeltjesfysica van donkere materie. Een potentieel instrument is de annihilatie van donkere materie-deeltjes, die energie injecteert in het intergalactische medium (IGM) tijdens het pre-reïonisatietijdperk, wat de thermische en ionisatiegeschiedenis van neutraal waterstof verandert. Deze energie-injectie wijzigt het 21-cm differentiële helderheidstemperatuursignaal.

Huidige analyses van het 21-cm signaal vertrouwen vaak op samenvattende statistieken, zoals het vermogensspectrum, die er mogelijk niet in slagen om de volledige informatie te vatten die gecodeerd ligt in driedimensionale helderheidstemperatuurvelden. Bovendien wordt het onderscheiden van verschillende modellen voor donkere materie bemoeilijkt door degeneraties tussen astrofysische parameters. Er bestaat een cruciaal onderscheid tussen homogene energie-injectie (uitgaande van een uniforme depositie over de ruimte) en inhomogene injectie (waarbij de energie-depositie schaalt met lokale dichtheidscontrasten van donkere materie en gaseigenschappen). Eerdere studies hebben zich gericht op het onderscheiden van donkere materie-annihilatie van het standaard $\Lambda$CDM-model; dit artikel behandelt de subtielere uitdaging om inhomogene modellen van donkere materie-annihilatie te onderscheiden van homogene modellen met behulp van de aankomende Square Kilometre Array Low-frequency (SKA-Low) telescoop.

Methodologie
De auteurs maken gebruik van een machine learning-benadering, specifiek Convolutionele Neurale Netwerken (CNN's), om 3D 21-cm differentiële helderheidstemperatuurkaarten te classificeren.

1. Simulatiekader:

   • Codes: De studie maakt gebruik van de DM21cm code, die 21cmFAST (een semi-numerieke kosmologische simulatiecode) integreert met DarkHistory (voor thermische en ionisatie-evolutie).
   • Fysica: De simulaties modelleren donkere materie-annihilatie in twee primaire kanalen: elektron-positron paren ($e^+e^-$) en fotonparen ($\gamma\gamma$). De energie-injectiesnelheid wordt berekend op basis van het lokale donkere materie dichtheidscontrast, $\delta(x,z)$, wat zorgt voor een ruimtelijk inhomogene depositie.
   • Parameters: De studie onderzoekt donkere materie-massa's ($m_{DM}$) variërend van 1 MeV tot 100 MeV en diverse annihilatie-doorsneden ($\langle\sigma v\rangle$). De simulaties bestrijken een boxgrootte van 48 Mpc met een resolutie van $64^3$ roosters (voxelgrootte 0,75 Mpc).
   • Ruismodellering: Om realistische observationele omstandigheden te reflecteren, is Gaussische thermische ruis toegevoegd aan de gesimuleerde kaarten, overeenkomend met de SKA-Low specificaties (512 stations, 74 km maximale baseline, $10^4$ uur integratietijd). Het ruisniveau wordt geparametriseerd door een fractie $f_{Noise}$ variërend van 0 tot 1.

2. Machine Learning Architectuur:

   • Model: Een standaard CNN-architectuur wordt gebruikt, bestaande uit vier convolutionele lagen (3$\times$3 kernels), Leaky ReLU-activaties, 2$\times$2 max pooling en batch normalisatie.
   • Input: Het netwerk verwerkt 3D voxels (16$\times$16$\times$16 subregio's van de simulatiebox).
   • Preprocessing: Om de beperking aan te pakken dat standaard normalisatie (aftrekken van het gemiddelde en schalen met de standaarddeviatie) de globale amplitudeverschillen tussen homogene en inhomogene modellen kan onderdrukken, extraheren de auteurs expliciet het gemiddelde en de standaarddeviatie van de inputafbeeldingen en voegen deze statistieken samen met de latente feature-vector voor de volledig verbonden (fully connected) lagen.
   • Training: Het model wordt getraind op 128.000 afbeeldingen (helft homogeen, helft inhomogeen) gegenereerd uit 1.000 verschillende kosmologische realisaties. De dataset is verdeeld in trainings (80%), validatie (20%) en testsets (20%).

Belangrijkste Resultaten

1. Elektron-positron kanaal ($e^+e^-$):

   • Discriminatievermogen: De CNN onderscheidt succesvol tussen homogene en inhomogene annihilatiescenario's voor het $e^+e^-$-kanaal.
   • Prestatie-indicatoren: Voor een donkere materie-massa van $m_{DM} = 1$ MeV bereikt het model een Area Under the Curve (AUC) van $\geq 0,72$ (wat duidt op discriminatie beter dan willekeurig gokken) voor annihilatie-doorsneden $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s, zelfs met matige ruis ($f_{Noise} \leq 0,1$).
   • Optimale Doorsnede: De discriminatieprestatie is niet-monotoon met betrekking tot de doorsnede. Het piekt bij intermediaire waarden (bijv. $\langle\sigma v\rangle \approx 5 \times 10^{-29}$ cm$^3$/s voor $m_{DM}=1$ MeV).
     • Lage Doorsnede: De energie-injectie is te zwak om onderscheidende kenmerken te creëren.
     • Intermediaire Doorsnede: De energie-injectie is lokaal genoeg om "bellen" van verwarming/ionisatie te creëren die verschillen van de achtergrond, waardoor het contrast tussen de modellen wordt gemaximaliseerd.
     • Hoge Doorsnede: Het gemiddelde vrije pad van secundaire fotonen neemt toe, waardoor de energie over grotere volumes wordt uitgesmeerd, wat het inhomogene scenario doet lijken op het homogene scenario en de AUC verlaagt.
   • Massa-afhankelijkheid: Voor $m_{DM} = 100$ MeV stijgt de vereiste doorsnede voor effectieve discriminatie naar $\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm$^3$/s vanwege het langere vrije pad van hoogenergetische secundaire fotonen.

2. Foton-foton kanaal ($\gamma\gamma$):

   • Falende Discriminatie: De CNN faalt in het onderscheiden van homogene en inhomogene modellen voor het $\gamma\gamma$-kanaal over alle geteste massa- en doorsnedebereiken (AUC $\lesssim 0,7$).
   • Fysieke Reden: Het gemiddelde vrije pad van fotonen uitgezonden door donkere materie-annihilatie is aanzienlijk groter dan de simulatiecelgrootte (en vaak de Hubble-straal) op de relevante roodverschuivingen. Hierdoor reizen fotonen vrij en deponeren zij energie homogeen, waardoor de ruimtelijke inhomogeniteiten van de bronverdeling worden uitgewist. De "on-the-spot" benadering is ongeldig voor dit kanaal.

3. Vermogensspectrum Analyse:

   • Het inhomogene scenario vertoont een lager 21-cm vermogensspectrum vergeleken met het homogene scenario. Dit komt omdat gelokaliseerde verwarming "bellen" creëert waar de 21-cm absorptie-amplitude wordt onderdrukt, terwijl de rest van het volume dichter bij het globale gemiddelde blijft. Deze statistische homogenisering vermindert de variantie van de signaalfluctuaties.

Betekenis en Claims
Het artikel claimt dat machine learning-technieken, specif gezien CNN's, een nieuwe en effectieve benadering bieden voor het extraheren van subtiele ruimtelijke kenmerken uit complexe 21-cm data die traditionele samenvattende statistieken (zoals het vermogensspectrum) mogelijk missen.

• Haalbaarheid: De studie toont aan dat de SKA-Low telescoop, zelfs met thermische ruis, de gevoeligheid bezit om de afdrukken van inhomogene donkere materie-annihilatie te detecteren voor specifieke parameterbereiken ($m_{DM} \sim 1$ MeV, $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s).
• Methodologische Vooruitgang: Het werk benadrukt het belang van het opnemen van globale statistische kenmerken (gemiddelde en standaarddeviatie) in de input van het neurale netwerk om te voorkomen dat cruciale onderscheidende kenmerken tijdens normalisatie worden onderdrukt.
• Fysiek Inzicht: Het onderzoek verduidelijkt dat de detecteerbaarheid van inhomogene annihilatie sterk afhankelijk is van het annihilatiekanaal en het gemiddelde vrije pad van de resulterende deeltjes. Terwijl elektron-positron kanalen een levensvatbare probe vormen voor ruimtelijke inhomogeniteiten, wissen fotonkanaals de ruimtelijke signaturen effectief uit door hun grote gemiddelde vrije paden.

De auteurs concluderen dat toekomstige 21-cm waarnemingen, gecombineerd met geavanceerde machine learning-analyses, een robuust pad bieden om exotische energie-injectiebronnen te onderzoeken en de microscopische eigenschappen van donkere materie te beperken, in het bijzonder het onderscheid tussen ruimtelijk variërende en uniforme energie-depositiemechanismen.