Reionisation time field reconstruction from 21-cm Maps: Investigating predictor coherence in WDM cosmology

Technische Samenvatting: Reconstructie van het Veld van de Herionisatietijd uit 21-cm Kaarten in WDM-Cosmologie

Probleemstelling
Het tijdperk van herionisatie (EoR) is een kritieke fase in de kosmische evolutie, maar zijn gedetailleerde geschiedenis blijft ontwijkend. Hoewel het veld van de herionisatietijd, $t_{\text{reion}}(\vec{r})$, een uitgebreid beeld biedt van wanneer en waar het heelal geïoniseerd raakte, is het niet direct waarneembaar. Eerdere werken (Hiegel et al. 2023) hebben aangetoond dat Convolutional Neural Networks (CNN's) $t_{\text{reion}}(\vec{r})$ kunnen afleiden uit 21-cm-kaarten bij een vaste roodverschuiving. Er bestaat echter een aanzienlijke beperking: deze voorspellers zijn getraind op specifieke herionisatiemodellen (bijvoorbeeld Koude Donkere Materie, CDM). Wanneer ze worden toegepast op observationele data die mogelijk voortvloeit uit andere fysieke omstandigheden (bijvoorbeeld Warme Donkere Materie, WDM), is de betrouwbaarheid van deze voorspellers onzeker. Er is behoefte aan een evaluatie van de "coherentie" van deze voorspellers – specifiek, of een voorspeller die is getraind op één model consistente resultaten oplevert wanneer deze wordt toegepast op data gegenereerd door een ander model, en of dergelijke inconsistenties kunnen worden gebruikt om onderliggende kosmologische modellen te valideren of uit te sluiten.

Methodologie
De auteurs stellen een methode voor om de coherentie van voorspellers te evalueren door het CDM-model te behandelen als een referentie-invoer. De studie maakt gebruik van gesimuleerde 21-cm-kaarten gegenereerd met de 21cmFAST simulatiecode onder een $\Lambda$CDM-cosmologie, met inachtneming van vier WDM-scenario's met deeltjesmassa's ($m_X$) van 2, 3, 5 en 7 keV.

1. Training van Voorspellers: Vijf verschillende CNN-voorspellers (gebaseerd op een U-net-architectuur) werden getraind, elk op 21-cm-kaarten die corresponderen met een specifiek donkere-materiemodel (CDM, 2 keV, 3 keV, 5 keV, 7 keV) bij specifieke roodverschuivingen ($z=8$ en $z=11$).
2. Toepassing over Modellen: De kern van de methodologie bestaat uit het invoeren van door CDM gegenereerde 21-cm-kaarten (de "observatie") in alle vijf de voorspellers.
3. Evaluatie van Coherentie: De auteurs vergelijken de gereconstrueerde $t_{\text{reion}}(\vec{r})$-velden verkregen vanuit dezelfde voorspeller bij twee verschillende roodverschuivingen ($z=11$ en $z=8$). De onderliggende hypothese is dat voor een consistente voorspeller-model-paar de statistische eigenschappen van de reconstructie invariant moeten zijn over roodverschuivingen.
4. Maten: Vier statistische maten werden berekend op de gereconstrueerde velden om zelfconsistentie te kwantificeren:
   • Volumefractie van neutraal waterstof ($Q_{HI}$).
   • Vermogensspectrum van het veld van de herionisatietijd ($P_k$).
   • Totale lengte van isocontouren (die het interface tussen geïoniseerde en neutrale gebieden voorstellen).
   • Aantal minima in het $t_{\text{reion}}$-veld (die bronnen van herionisatie voorstellen).
5. Kwantificeerders: Drie specifieke schatters werden gedefinieerd om WDM-voorspellers te vergelijken met de CDM-referentie:
   • RMSE: Root-mean-square fout van het verschil tussen roodverschuivingsreconstructies ($S_{11} - S_8$).
   • Coherentiefactor ($q$): De verhouding van de CDM-RMSE tot de WDM-RMSE.
   • Determinatiecoëfficiënt ($R^2_\Delta$): Meet de afstand van de consistentie van een WDM-reconstructie ten opzichte van de consistentie van de CDM-reconstructie. Een negatieve $R^2_\Delta$ geeft aan dat de WDM-voorspeller minder consistent is met de invoer dan de CDM-voorspeller met zichzelf.
6. Onzekerheidsanalyse: Epistemische onzekerheid werd geschat met behulp van Monte Carlo dropout om ervoor te zorgen dat reconstructieruis de statistische vergelijkingen niet domineerde.

Belangrijkste Resultaten
De studie vindt dat het vermogen om modellen te onderscheiden sterk afhankelijk is van de massa van het WDM-deeltje en de specifieke maat die wordt gebruikt:

• Modellen met Hoge Massa (5 en 7 keV): Voorspellers getraind op 5 en 7 keV-modellen vertonen een hoge zelfconsistentie wanneer ze worden toegepast op CDM-invoer, en vertonen gedrag dat statistisch vergelijkbaar is met de CDM-voorspeller over alle maten. De $R^2_\Delta$-waarden zijn positief en hoog (bijvoorbeeld 0,83 voor $Q_{HI}$ bij 7 keV), wat aangeeft dat deze modellen moeilijk van CDM te onderscheiden zijn met deze methode.
• Modellen met Lage Massa (2 keV): De 2 keV-voorspeller vertoont aanzienlijke afwijkingen over alle maten. Het levert grote RMSE-waarden en negatieve $R^2_\Delta$-waarden op (bijvoorbeeld -4,8 voor de lengte van isocontouren), wat wijst op een fundamentele incompatibiliteit met de CDM-invoergegevens. Het 2 keV-model wordt gemakkelijk uitgesloten.
• Intermediair Model (3 keV): De 3 keV-voorspeller vertoont intermediair gedrag. Hoewel het over het algemeen wordt uitgesloten, presenteert het een complexer geval. Voor sommige maten (zoals het aantal minima) vertoont het een hoge coherentiefactor ($q \approx 0,97$), maar het levert nog steeds een lagere $R^2_\Delta$ op in vergelijking met de 5 en 7 keV-modellen. Dit suggereert dat het vertrouwen op een enkele maat onvoldoende is; een analyse met meerdere maten is vereist om inconsistenties te identificeren.
• Onzekerheid: De epistemische onzekerheid ($\Delta\sigma$) geïntroduceerd door de CNN-reconstructie blijft subdominant ($\Delta\sigma < 1$) over alle observabelen, wat bevestigt dat de waargenomen afwijkingen het gevolg zijn van modelmismatch in plaats van reconstructieruis.

Betekenis en Aanspraken
Het artikel claimt een raamwerk te bieden voor het valideren van machine learning-voorspellers voordat deze worden toegepast op echte observationele data (zoals van de Square Kilometre Array, SKA). De primaire betekenis ligt in het aantonen dat CNN-voorspellers gevoeligheid behouden voor de onderliggende fysica van de trainingsdata.

• Modelselectie: De methode staat toe om herionisatiemodellen uit te sluiten die inconsistent zijn met observationele data. Bijvoorbeeld, het 2 keV WDM-model wordt effectief uitgesloten op basis van zijn falen om coherentie over roodverschuivingen te behouden wanneer toegepast op CDM-achtige data.
• Beperkingen: De auteurs merken bescheiden op dat de methode moeite heeft om te onderscheiden tussen modellen die fysiek vergelijkbaar zijn (bijvoorbeeld 5 keV en 7 keV WDM versus CDM). Zij benadrukken dat het doel niet is om kosmologische parameters direct te beperken, maar om de robuustheid van voorspellers tegen modelmismatchen te beoordelen.
• Toekomstig Werk: Het artikel concludeert dat, hoewel de huidige resultaten veelbelovend zijn, toekomstige toepassingen op SKA-achtige observaties verbeterde CNN-architecturen (bijvoorbeeld attention-mechanismen) en een betere behandeling van instrumentale ruis en contaminatie door voorgrond vereisen. De studie onderstreept de noodzaak om voorspellers te valideren tegen hun invoermodellen om betrouwbare toepassingen in de studie van kosmische herionisatie te waarborgen.