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

Resumo Técnico: Sensibilidade em relação às Improntas de Aniquilação de Matéria Escura no Sinal de 21-cm com o SKA-Low: Uma Abordagem de Redes Neurais Convolucionais

Enunciado do Problema
A natureza fundamental da matéria escura continua sendo um dos problemas não resolvidos mais significativos da cosmologia. Embora o modelo Lambda Cold Dark Matter ($\Lambda$CDM) descreva com sucesso a estrutura em grande escala, ele não elucida a física de partículas da matéria escura. Um probe potencial é a aniquilação de partículas de matéria escura, que injeta energia no meio intergaláctico (IGM) durante a era de pré-reionização, alterando a história térmica e de ionização do hidrogênio neutro. Essa injeção de energia modifica o sinal da temperatura de brilho diferencial de 21-cm.

As análises atuais do sinal de 21-cm frequentemente dependem de estatísticas de resumo, como o espectro de potência, que podem falhar em capturar toda a informação codificada em campos tridimensionais de temperatura de brilho. Além disso, distinguir entre diferentes modelos de matéria escura é complicado por degenerações entre parâmetros astrofísicos. Existe uma distinção crítica entre injeção de energia homogênea (assumindo deposição uniforme através do espaço) e inhomogênea (onde a deposição de energia escala com os contrastes locais de densidade de matéria escura e propriedades do gás). Estudos anteriores focaram em distinguir a aniquilação de matéria escura do modelo padrão $\Lambda$CDM; este artigo aborda o desafio mais sutil de distinguir modelos de aniquilação de matéria escura inhomogêneos de modelos homogêneos usando o futuro telescópio Square Kilometre Array Low-frequency (SKA-Low).

Metodologia
Os autores empregam uma abordagem de aprendizado de máquina, especificamente Redes Neurais Convolucionais (CNNs), para classificar mapas 3D de temperatura de brilho diferencial de 21-cm.

1. Estrutura de Simulação:

   • Códigos: O estudo utiliza o código DM21cm, que integra o 21cmFAST (um código de simulação cosmológica semi-numérica) e o DarkHistory (para evolução térmica e de ionização).
   • Física: As simulações modelam a aniquilação de matéria escura em dois canais primários: pares elétron-pósitron ($e^+e^-$) e pares fóton-fóton ($\gamma\gamma$). A taxa de injeção de energia é calculada com base no contraste de densidade de matéria escura local, $\delta(x,z)$, permitindo uma deposição espacialmente inhomogênea.
   • Parâmetros: O estudo explora massas de matéria escura ($m_{DM}$) variando de 1 MeV a 100 MeV e várias seções de choque de aniquilação ($\langle\sigma v\rangle$). As simulações cobrem um tamanho de caixa de 48 Mpc com uma resolução de $64^3$ grades (tamanho de voxel de 0,75 Mpc).
   • Modelagem de Ruído: Para refletir condições observacionais realistas, ruído térmico Gaussiano correspondente às especificações do SKA-Low (512 estações, 74 km de linha de base máxima, $10^4$ horas de tempo de integração) é adicionado aos mapas simulados. O nível de ruído é parametrizado por uma fração $f_{Noise}$ variando de 0 a 1.

2. Arquitetura de Aprendizado de Máquina:

   • Modelo: Uma arquitetura CNN padrão é utilizada, consistindo em quatro camadas convolucionais (kernels de 3$\times$3), ativações Leaky ReLU, max pooling de 2$\times$2 e normalização por lote (batch normalization).
   • Entrada: A rede processa voxels 3D (sub-regiões de 16$\times$16$\times$16 da caixa de simulação).
   • Pré-processamento: Para abordar a limitação de que a normalização padrão (subtração de média e escalonamento de desvio padrão) pode suprimir diferenças de amplitude global entre modelos homogêneos e inhomogêneos, os autores extraem explicitamente a média e o desvio padrão das imagens de entrada e concatenam essas estatísticas com o vetor de características latentes antes das camadas totalmente conectadas.
   • Treinamento: O modelo é treinado em 128.000 imagens (metade homogêneas, metade inhomogêneas) geradas a partir de 1.000 realizações cosmológicas distintas. O conjunto de dados é dividido em treinamento (80%), validação (20%) e teste (20%).

Resultados Principais

1. Canal Elétron-Pósitron ($e^+e^-$):

   • Capacidade de Discriminação: A CNN distingue com sucesso cenários de aniquilação inhomogêneos e homogêneos para o canal $e^+e^-$.
   • Métricas de Desempenho: Para uma massa de matéria escura de $m_{DM} = 1$ MeV, o modelo atinge uma Área Sob a Curva (AUC) de $\geq 0,72$ (indicando discriminação melhor que o acaso) para seções de choque de aniquilação $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s, mesmo com ruído moderado ($f_{Noise} \leq 0,1$).
   • Seção de Choque Ótima: O desempenho da discriminação é não-monotônico em relação à seção de choque. Ele atinge o pico em valores intermediários (ex: $\langle\sigma v\rangle \approx 5 \times 10^{-29}$ cm$^3$/s para $m_{DM}=1$ MeV).
     • Seção de Choque Baixa: A injeção de energia é muito fraca para criar assinaturas distintas.
     • Seção de Choque Intermediária: A injeção de energia é localizada o suficiente para criar "bolhas" de aquecimento/ionização distintas do fundo, maximizando o contraste entre os modelos.
     • Seção de Choque Alta: O caminho livre médio dos fótons secundários aumenta, causando a dispersão da energia sobre volumes maiores, fazendo com que o cenário inhomogêneo se assemelhe ao homogêneo e reduzindo a AUC.
   • Dependência de Massa: Para $m_{DM} = 100$ MeV, a seção de choque necessária para discriminação eficaz aumenta para $\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm$^3$/s devido ao caminho livre médio mais longo dos fótons secundários de maior energia.

2. Canal Fóton-Fóton ($\gamma\gamma$):

   • Falha na Discriminação: A CNN falha em distinguir entre modelos de aniquilação inhomogêneos e homogêneos para o canal $\gamma\gamma$ em todas as faixas de massa e seção de choque testadas (AUC $\lesssim 0,7$).
   • Razão Física: O caminho livre médio dos fótons emitidos pela aniquilação de matéria escura é significamente maior que o tamanho da célula de simulação (e frequentemente o raio de Hubble) nos redshifts relevantes. Consequentemente, os fótons viajam livremente e depositam energia de forma homogênea, apagando as inhomogeneidades espaciais da distribuição da fonte. A aproximação "on-the-spot" é inválida para este canal.

3. Análise do Espectro de Potência:

   • O cenário inhomogêneo exibe um espectro de potência de 21-cm inferior comparado ao cenário homogêneo. Isso ocorre porque o aquecimento localizado cria "bolhas" onde a amplitude de absorção de 21-cm é suprimida, enquanto o restante do volume permanece mais próximo da média global. Essa homogeneização estatística reduz a variância das flutuações do sinal.

Significância e Alegações
O artigo afirma que técnicas de aprendizado de máquina, especificamente CNNs, oferecem uma abordagem nova e eficaz para extrair características espaciais sutis de dados complexos de 21-cm que as estatísticas de resumo tradicionais (como o espectro de potência) podem perder.

• Viabilidade: O estudo demonstra que o telescópio SKA-Low, mesmo com ruído térmico, possui a sensibilidade para detectar as improntas da aniquilação de matéria escura inhomogênea para faixas de parâmetros específicas ($m_{DM} \sim 1$ MeV, $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s).
• Avanço Metodológico: O trabalho destaca a importância de incorporar características estatísticas globais (média e desvio padrão) na entrada da rede neural para evitar a supressão de características distintivas críticas durante a normalização.
• Insight Físico: A pesquisa esclarece que a detectabilidade da aniquilação inhomogênea é altamente dependente do canal de aniquilação e do caminho livre médio das partículas resultantes. Enquanto os canais elétron-pósitron oferecem um probe viável para as inhomogeneidades espaciais, os canais de fótons efetivamente lavam as assinaturas espaciais devido aos grandes caminhos livres médios.

Os autores concluem que observações futuras de 21-cm, combinadas com análise de aprendizado de máquina avançada, fornecem um caminho robusto para investigar fontes de injeção de energia exóticas e restringir as propriedades microscópicas da matéria escura, particularmente distinguindo entre mecanismos de deposição de energia espacialmente variáveis e uniformes.