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

Probleemstelling
Axion-achtige deeltjes (ALPs) zijn hypothetische pseudo-scalaire deeltjes die worden voorspeld door diverse uitbreidingen van het Standaardmodel. Een primaire methode voor hun detectie omvat de menging van fotonen en ALPs in externe magnetische velden, wat kan leiden tot onderscheidende spectrale signaturen in gammastralingsbronnen. Blazars dienen specifiek als ideale laboratoria voor deze zoektocht vanwege hun kosmologische afstanden, sterke magnetische velden in hun relativistische jets, en de daaruit voortvloeiende absorptie van zeer hoogenergetische (VHE) gammastraling door de extragalactische achtergrond (EBL). De aanwezigheid van ALPs zou energie-afhankelijke spectrale "wiggles" of een verharding van het spectrum bij hoge energieën kunnen induceren door fotonen te laten converteren naar ALPs, die vervolgens kosmologische afstanden kunnen afleggen zonder EBL-absorptie, om vervolgens in het magnetische veld van de Melkweg weer te reconverteren naar fotonen.

De Cherenkov Telescope Array Observatory (CTAO) zal naar verwachting significante verbeteringen bieden in de energie-resolutie en puntbrongevoeligheid ten opzichte van huidige grondgebonden telescopen. Het extraheren van ALP-signalen uit blazar-spectra is echter uitdagend vanwege de complexe, niet-lineaire aard van de spectrale verstoringen en potentiële systematische onzekerheden. Hoewel standaard statistische benaderingen gebaseerd op de likelihood-ratio-test (LRT) algemeen worden gebruikt, onderzoekt dit artikel of machine learning (ML) classificatiesystemen een robuust alternatief kunnen bieden voor het beperken van de ALP-parameterruimte ($m_a$ en $g_{a\gamma}$).

Methodologie
De studie richt zich op twee bekende TeV-blazars, Mrk 501 en PKS 2155−304, waarbij observaties voor zowel hun baseline- als flaring-toestanden worden gesimuleerd met de CTAO "Alpha"-configuratie.

1. Datasimulatie:

   • Mock-data werd gegenereerd met behulp van het Gammapy-pakket, waarbij 50 uur observatie voor baseline-toestanden en 5 uur voor flaring-toestanden werd gesimuleerd.
   • Spectrale modellen werden afgeleid uit de 4FGL-DR4 catalogus (log-parabool voor baseline) en historische flare-data (log-parabool voor Mrk 501, exponentiële cutoff power law voor PKS 2155−304).
   • ALP-foton-oscillaties werden gemodelleerd met het gammaALPs Python-pakket, waarbij rekening is gehouden met de magnetische veldomgevingen in de blazar-jets (helische en verwarde componenten), het galactische magnetische veld van de Melkweg, en EBL-absorptie.
   • De ALP-parameterruimte werd gescand over $m_a \in [0.1, 1000]$ neV en $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV$^{-1}$.

2. Statistische Benaderingen:

   • Likelihood-Ratio Test (LRT): Een standaard benchmark-methode werd toegepast. Een teststatistiek (TS) werd gedefinieerd op basis van het verschil in log-likelihood tussen de ALP-hypothese en het best passende model. Omdat de stelling van Wilks niet strikt van toepassing is op ALP-zoektochten, werd de TS-distributie empirisch bepaald door 100 datasets met ALP-effecten te simuleren en deze te fitten met een Gamma-waarschijnlijkheidsdichtheidsfunctie (PDF).
   • Machine Learning (ML) Classificatiesystemen: Een nieuwe aanpak werd geïntroduceerd met behulp van het XGBoost-algoritme.
     • Een grid van classificatiesystemen werd getraind over de ALP-parameterruimte.
     • Elk classificatiesysteem werd getraind om te differentiëren tussen 20.000 gesimuleerde datasets met ALP-effecten en 20.000 datasets met enkel EBL-absorptie (geen ALPs).
     • De input-features waren de genormaliseerde overschot fotontellingen in energie-bins, ontworpen om de focus te leggen op de spectrale vorm in plaats van de absolute flux.
     • Voor elk $(m_a, g_{a\gamma})$-paar geeft de classifier een score die de waarschijnlijkheid weergeeft dat een dataset "ALP-achtig" is. Een complementaire statistiek $\Pi$ werd gedefinieerd om de exclusie-significantie te evalueren.
     • De distributie van $\Pi$ voor ALP-achtige datasets werd gefit met een Beta PDF om betrouwbaarheidsintervallen en exclusie-significantie (z-scores) te berekenen.

Belangrijkste Bijdragen

• Geprojecteerde Gevoeligheid: Het artikel biedt geprojecteerde 2$\sigma$ exclusie-regio's voor CTAO-observaties van Mrk 501 en PKS 2155−304, waarmee het potentieel van het observatorium om huidige limieten te verbeteren wordt aangetoond.
• ML-toepassing in ALP-zoektochten: Het werk introduceert en valideert een machine learning-gebaseerde methode voor het beperken van ALP-parameters. Het demonstreert dat XGBoost-classifiers effectief de niet-lineaire spectrale kenmerken kunnen leren die worden geïnduceerd door ALP-foton-menging, zonder te vertrouwen op expliciete parametrische modellen van de spectrale verstoringen.
• Vergelijking van Methoden: De studie vergelijkt de ML-benadering direct met de standaard LRT, waarbij wordt aangetoond dat de ML-methode consistente resultaten oplevert met de traditionele techniek.

Resultaten

• Exclusie-regio's: Zowel de LRT- als de ML-methode voorspellen dat CTAO aanzienlijke delen van de ALP-parameterruimte zal kunnen uitsluiten, met name in regio's waar de kritieke energie voor sterke menging binnen het CTAO-energiereik valt.
• Consistentie van Methoden: De door de ML-classifier afgeleide exclusie-contouren (met behulp van de $\Pi$-statistiek) komen nauw overeen met de contouren verkregen via de LRT.
• Prestatielimieten: De ML-classifiers bereiken een hoge nauwkeurigheid (>90%) in regio's waar de door ALPs geïnduceerde spectrale verstoringen duidelijk zijn. Echter, de prestaties verslechteren in regio's met een grote $m_a$ en een kleine $g_{a\gamma}$, waar de spectrale verstoringen zwak zijn en moeilijk te onderscheiden van de ALP-loze situatie. In deze regio's falen de classifiers correct in het uitsluiten van de hypothese, wat het gedrag van de LRT weerspiegelt.
• Systematische Onzekerheden: De auteurs merken op dat de ML-benadering kan helpen de impact van systematische model-afhankelijke onzekerheden te verminderen, aangezien de classifiers de spectrale vorm direct uit de data leren in plaats van te vertrouwen op specifieke functionele vormen voor het intrinsieke bronspectrum.

Betekenis en Claims
Het artikel claimt dat CTAO, met zijn verbeterde energie-resolutie en gevoeligheid, de huidige limieten op de ALP-parameterruimte consistent zal verbeteren. De primaire betekenis van dit werk ligt in de demonstratie dat machine learning-classificatiesystemen een levensvatbaar en effectief alternatief zijn voor standaard likelihood-ratio-tests voor ALP-zoektochten. De auteurs suggereren dat deze nieuwe methode waardevol kan zijn voor toekomstige zoektochten door potentieel de systematische onzekerheden gerelateerd aan spectrale modellering te mitigeren. De studie claimt niet de ontdekking van ALPs, maar dient om de geprojecteerde capaciteit van CTAO vast te stellen om hun bestaan te beperken. De resultaten worden gepresenteerd als een schatting van het beperkende vermogen van CTAO op basis van gesimuleerde data, dienend als een benchmark voor toekomstige observationele campagnes.