On the Energy Distribution of the Galactic Center Excess' Sources

Resumo Técnico: Sobre a Distribuição de Energia do Excesso do Centro Galáctico – Fontes

Definição do Problema
O Excesso do Centro Galáctico (GCE), um excesso observado de emissão de raios gama no interior da Via Láctea, permanece sendo objeto de intenso debate quanto à sua origem. Enquanto algumas análises sugerem que ele poderia ser evidência de matéria escura (DM) em aniquilação, outras argumentam que ele surge de uma população de fontes pontuais astrofísicas não resolvidas, como pulsares de milissegundo. Tentativas anteriores de distinguir entre esses cenários usando o Ajuste de Template Não-Poissoniano (NPTF) e métodos semelhantes baseados em verossimilhança enfrentaram limitações significativas. Esses métodos tipicamente dependem de duas aproximações principais para garantir a tratabilidade computacional: (1) negligenciar correlações pixel a pixel no mapa de contagem de fótons e (2) descartar informações espectrais (energia). Além disso, abordagens anteriores de aprendizado de máquina, especificamente as que utilizam Redes Neurais Convolucionais (CNNs), abordaram com sucesso a primeira aproximação, mas mantiveram a segunda, analisando os dados em um único intervalo de energia. Essa falta de informação espectral limita a capacidade de distinguir o GCE dos fundos astrofísicos, uma vez que o GCE possui um espectro de energia distinto em relação aos fundos difusos dominantes.

Metodologia
Os autores apresentam uma estrutura de inferência baseada em simulação que estende as metodologias anteriores de CNN para analisar conjuntamente dados espaciais e espectrais. O núcleo de sua abordagem envolve duas redes neurais independentes treinadas em mapas simulados do Fermi-LAT:

1. Geração de Dados: Os autores geram um milhão de mapas simulados do Fermi usando uma região de interesse dentro de 25° do Centro Galáctico (excluindo o plano e fontes brilhantes). Crucialmente, os dados são divididos em dez intervalos de energia espaçados logaritmicamente (2–20 GeV). As simulações incorporam templates dependentes de energia para emissão difusa (π⁰ + bremsstrahlung, Compton inverso), emissão isotrópica, Bolhas de Fermi e componentes de pontos (GCE e disco Galáctico). Os componentes de pontos são modelados usando um perfil NFW generalizado para o GCE e um duplo-exponencial para o disco.
2. Arquitetura da CNN: A estrutura utiliza a biblioteca DeepSphere, que aplica convoluções baseadas em grafos em tesselações HEALPix.
   • Entrada: Mapas de contagem de fótons com forma $n_{pix} \times n_{bins}$, onde os intervalos de energia atuam como canais análogos aos canais de cor em CNNs padrão.
   • Rede 1 (Fração de Fluxo): Estima a contribuição fracionária de cada template para o fluxo total em cada intervalo de energia. É treinada usando uma perda de log-verossimilhança negativa com uma distribuição Gaussiana para estimar incertezas.
   • Rede 2 (Distribuição de Contagem de Fontes): Infere a distribuição de brilho subjacente (Distribuição de Contagem de Fontes, SCD, ou $dN/dF$) para os componentes de pontos. Esta rede emprega uma abordagem de inferência baseada em simulação enraizada em regressão quantílica. Ela prevê histogramas agrupados da distribuição de fluxo cumulativo usando a "perda de pinball Earth mover's" (Earth mover's pinball loss), permitindo a reconstrução da distribuição posterior completa através dos intervalos de fluxo.
3. Estratégia de Treinamento: As redes são treinadas em dados fictícios onde os priors são escolhidos para garantir a inclusão de mapas onde as fontes pontuais são tão tênues que são indistinguíveis da emissão de Poisson (a hipótese de DM). Isso aborda a degenerescência física onde um número infinito de fontes infinitamente tênues é matematicamente equivalente à emissão de Poisson.

Principais Contribuições

• Primeira Análise Dependente de Energia: Este trabalho fornece a primeira inferência simultânea do espectro do GCE e de sua Distribuição de Contagem de Fontes (SCD) usando uma abordagem de aprendizado de máquina que incorpora explicitamente a informação de energia.
• Remoção da Aproximação Espectral: Ao tratar os intervalos de energia como canais de entrada e simular respostas instrumentais dependentes de energia (especificamente a Função de Espalhamento de Ponto - PSF), o método vai além da aproximação de intervalo único que caracterizou análises anteriores livres de verossimilhança.
• Testes de Robustez: Os autores realizam extensos estudos sistemáticos, variando modelos de fundo difuso (comparando o Modelo O e o Modelo A), morfologias espaciais do GCE (NFW, Einasto, Burkert) e priors de treinamento da CNN (modalidade, brilho, jitter espectral) para avaliar a estabilidade de suas inferências.

Resultados

• População de Fontes Mais Tênue: A inclusão de informação de energia leva a SCD inferida a ser significativamente mais tênue do que os resultados de estudos de verossimilhança anteriores (ex: NPTF 2016) e até mesmo de análises de CNN anteriores independentes de energia. A previsão mediana para a SCD do GCE atinge picos em fluxos onde as fontes produzem, em média, menos de um fóton.
• Consistência com Emissão de Poisson: Quantitativamente, para o melhor modelo de fundo (Modelo O), o excesso é essencialmente consistente com a emissão de Poisson. A 95% de confiança, a rede só consegue excluir 3% da emissão como sendo inconsistente com estatísticas de Poisson. Isso sugere que, se o GCE for composto por pontos pontuais, deve haver uma população excepcionalmente grande deles (previsão mediana $\mathcal{O}(10^5)$, ou >35.000 a 90% de confiança), em vez das centenas preferidas por análises anteriores.
• Recuperação Espectral: A CNN recupera um espectro para o GCE consistente com estudos anteriores, mas com variabilidade entre intervalos significativamente reduzida em comparação com ajustes de verossimilhança de Poisson, refletindo a correlação entre os intervalos de energia aprendida durante o treinamento.
• Sensibilidade Sistemática: Os resultados são robustos a variações no template do disco e na morfologia do GCE (dentro de limites razoáveis). No entanto, os resultados são sensíveis à escolha do modelo de fundo difuso. Quando treinada no "Modelo A" (um modelo que ajusta os dados pior que o Modelo O), a SCD inferida torna-se mais brilhante (mais próxima do limiar de 1 fóton), embora permaneça mais tênue que os resultados de verossimilhança anteriores. Isso destaca que o modelo de fundo difuso continua sendo a principal incerteza sistemática.

Significância e Alegações
O artigo alega que a adição de informação de energia atua como uma poderosa alavanca, deslocando a interpretação do GCE de uma população de fontes pontuais resolvíveis para um cenário consistente com uma origem verdadeiramente difusa (como a aniquilação de matéria escura) ou uma população de fontes tão numerosas e tênues que são estatisticamente indistinguíveis do ruído de Poisson.

Os autores enfatizam que, embora seu método enfraqueça um dos principais pilares de evidência para uma origem de pontos pontuais (o brilho das fontes), a conclusão permanece sujeita à ressalva das sistemáticas de fundo. Eles afirmam que seus achados não provam definitivamente a origem de DM, mas demonstram que a hipótese de pontos pontuais exige uma população muito maior e mais tênue do que se pensava anteriormente para ser viável. O trabalho serve como um marco para futuras aplicações de aprendizado de máquina em astronomia de raios gama, sugerindo que melhorias adicionais no tratamento de sistemáticas de fundo e a expansão da faixa de energia são necessárias para resolver definitivamente a natureza do GCE.