Interpretable machine learning of halo gas density profiles: a sensitivity analysis of cosmological hydrodynamical simulations

Enunciado do Problema
Compreender a distribuição de gás dentro de galáxias e no meio intergaláctico é fundamental para a teoria da formação de galáxias, uma vez que a eficiência da formação estelar depende criticamente da quantidade, configuração e estado termodinâmico deste gás. Estas propriedades são reguladas por processos de feedback estelar e de Núcleos Galácticos Ativos (AGN). No entanto, os mecanismos específicos pelos quais o feedback molda o perfil de densidade de gás radial nos halos hospedeiros permanecem mal restringidos. Embora simulações hidrodinâmicas cosmológicas (ex: EAGLE, IllustrisTNG, Simba) forneçam descrições detalhadas destes sistemas, elas empregam prescrições de sub-grade distintas para o feedback, levando a diferenças significativas nas previsões das distribuições de gás dependentes do modelo. Modelos analíticos e semi-analíticos frequentemente dependem de suposições simplificadas (ex: perfis de lei de potência com simetria esférica) que falham em capturar a complexa interação dos mecanismos de feedback. Por outro outro lado, embora o aprendizado de máquina (ML) ofereça capacidades baseadas em dados, ele é frequentemente criticado por carecer de interpretabilidade física (natureza de "caixa preta"). Este trabalho aborda a necessidade de um framework que seja tanto preciso na previsão de perfis de densidade de gás quanto fisicamente interpretável em relação a como propriedades específicas de galáxias e halos influenciam estes perfis através de diferentes cenários de feedback.

Metodologia
Os autores utilizam conjuntos de simulações hidrodinâmicas cosmológicas: EAGLE, IllustrisTNG e múltiplas variantes da Simba (incluindo execuções com modos de feedback desativados). Eles extraem dados para halos bem resolvidos ($M_{200c} > 10^{9.5} M_\odot$) em redshifts $0 < z < 4$.

1. Construção de Dados:

   • Variável Alvo: Perfis radiais mediamente esféricos da densidade de gás total ($\rho$) em 20 bins logarítmicos de $0.01 R_{200c}$ a $5 R_{200c}$. As previsões são restritas ao intervalo numericamente robusto de $0.05 R_{200c} \leq r \leq R_{200c}$.
   • Características de Entrada (Features): Seis propriedades globais: massa total do halo ($M_{200c}$), massa de gás da galáxia central ($M_{gas}$), massa estelar ($M_\star$), taxa de formação estelar (SFR), massa do buraco negro central ($M_{BH}$) e taxa de acreção do buraco negro ($\dot{M}_{BH}$).
   • Pré-processamento: Para lidar com a ampla gama dinâmica e valores zero (ex: para SFR ou acreção de BH em sistemas quiescentes), as características de entrada e as variáveis alvo são reescalonadas. Massas e densidades utilizam logaritmos decimais. Características com potenciais valores zero (SFR, $M_{BH}$, $\dot{M}_{BH}$) passam por uma transformação de seno hiperbólico inverso modificada (Eq. 1) para garantir uma transição suave do comportamento linear em valores baixos para o comportamento logarítmico em valores altos.

2. Modelo de Machine Learning:

   • Um algoritmo de regressão de Floresta Aleatória (Random Forest - RF) é treinado para prever o perfil de densidade de gás em cada bin radial com base nas seis características de entrada.
   • O conjunto de dados é dividido em conjuntos de treinamento (80%) e teste (20%). Hiperparâmetros (tamanho mínimo de nó, profundidade da árvore, número de estimadores) são otimizados usando um conjunto de validação.
   • O modelo é treinado separadamente para cada snapshot da simulação.

3. Análise de Sensibilidade:

   • Para interpretar o modelo de RF de "caixa preta", os autores aplicam a análise de sensibilidade estatística de Sobol. Esta técnica quantifica a contribuição de cada característica de entrada (e suas interações) para a variância da saída do modelo (densidade de gás prevista).
   • Eles computam índices de Sobol de primeira ordem ($S_1$), representando o efeito principal de variar uma única característica, e índices de Sobol de ordem total ($S_T$), representando o efeito total incluindo todas as interações com outras características.
   • Um limiar de significância é estabelecido com base na precisão intrínseca do modelo para distinguir a importância física das características do ruído.

Principais Contribuições

• Desenvolvimento de um Framework de ML Interpretável: O artigo apresenta um algoritmo de Floresta Aleatória capaz de prever perfis de densidade de gás de halos com alta precisão usando apenas seis propriedades globais.
• Primeira Aplicação de Análise de Sobol a Simulações Hidrodinâmicas Completas: Os autores aplicam a análise de sensibilidade de Sobol a simulações hidrodinâmicas cosmológicas completas pela primeira vez, indo além de modelos semi-analíticos ou emuladores. Isso permite uma quantificação rigorosa da importância das características e degenerações em um sistema físico complexo e não linear.
• Comparação entre Simulações: O framework é testado através de três grandes conjuntos de simulações (EAGLE, IllustrisTNG, Simba) com implementações de feedback distintas, bem como variantes específicas da Simba onde modos de feedback (estelar, vento de AGN, jato de AGN, raios-X) são seletivamente desativados.

Resultos

• Precisão Preditiva: O algoritmo RF reproduz perfis de densidade de gás simulados com uma precisão média ($\langle \alpha \rangle$) de $\sim 83-90\%$ sobre a faixa de massa $10^{9.5} < M_{200c} < 10^{15} M_\odot$ e redshift $0 < z < 4$.
  • EAGLE e IllustrisTNG alcançam $\sim 90\%$ de precisão em $z > 1$ e $\sim 86\%$ em $z=0$.
  • As simulações da Simba mostram uma precisão ligeiramente inferior ($\sim 83-87\%$), com uma subprevisão sistemática notável em halos de alta massa ($M_{200c} > 10^{12.2} M_\odot$) em $z=0$.
• Importância das Características (Análise de Sensibilidade):
  • Drivers Dominantes: Em todas as simulações e redshifts, a massa total do halo ($M_{200c}$) e a massa de gás da galáxia central ($M_{gas}$) são as características mais influentes. $M_{gas}$ é o preditor mais impactante, particularmente no halo interno ($< 0.2 R_{200c}$), enquanto $M_{200c}$ atua como um preditor global.
  • Evolução com Redshift: Em alto redshift ($z=4$), a massa estelar ($M_\star$) torna-se um preditor significativo nas regiões internas, refletindo a dominância do feedback estelar. Em redshifts mais baixos ($z \le 2$), a importância da massa do BH ($M_{BH}$) aumenta, particularmente na Simba, correlacionando-se com o início do feedback de AGN significativo.
  • Características Negligenciáveis: A taxa de acreção instantânea do BH ($\dot{M}_{BH}$) e a Taxa de Formação Estelar (SFR) geralmente apresentam baixo impacto no perfil de densidade de gás global. Os autores sugerem que o baixo impacto da taxa de acreção pode ser devido a desalinhamentos de escala temporal (escalas galácticas vs. escalas de halo) ou à natureza anisotrópica do feedback de AGN, que é diluída em médias esféricas.
• Variantes de Feedback: Nas variantes da Simba, a ativação de modos de feedback de AGN (especificamente jatos de AGN) aumenta a importância de $M_{BH}$ e $M_\star$ na moldagem da distribuição de gás. Por outro lado, na execução "Sem-feedback" (No-feedback), $M_{gas}$ permanece um forte preditor mesmo em grandes raios devido à conversão eficiente de gás em estrelas através de todo o halo.

Significância e Alegações
Os autores posicionam este trabalho como uma "prova de conceito" demonstrando que modelos baseados em dados podem ser tornados fisicamente interpretáveis através de análise de sensibilidade.

• Interpretabilidade: O estudo identifica com sucesso que, embora a física de feedback seja complexa, os perfis de densidade de gás resultantes estão fortemente ligados a poucas propriedades globais ($M_{gas}$ e $M_{200c}$), com dependências secundárias em propriedades estelares e de BH que evoluem com o redshift e a implementação do feedback.
• Utilidade para a Teoria: O framework pode ser incorporado em modelos semi-analíticos de formação de galáxias para incluir perfis de densidade de gás consistentes com várias simulações hidrodinâmicas sem a necessidade de rodar simulações completas.
• Aplicação Futura: Os autores alegam que a precisão do modelo (particularmente em $z \gtrsim 1$) é suficiente para servir como um benchmark para futuras comparações com dados observacionais (ex: brilho de superfície de raios-X, linhas de absorção/emissão). Eles observam que, embora a precisão atual em $z=0$ para a Simba seja ligeiramente abaixo do benchmark observacional de $\sim 15\%$, o modelo é promissor para restringir modelos de feedback uma vez estendido para prever fases gasosas específicas (ISM, CGM) em vez de apenas a densidade total.

O artigo conclui que esta abordagem oferece um método computacionalmente barato e fisicamente intuitivo para compreender a interação entre feedback, propriedades galácticas e distribuição de gás, servindo como base para trabalhos futuros que liguem parâmetros de simulação a restrições observacionais.