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

Enunciado do Problema
Partículas do tipo Áxion (ALPs) são partículas pseudoescalares hipotéticas previstas por várias extensões do Modelo Padrão. Um método primário para sua detecção envolve a mistura de fótons e ALPs em campos magnéticos externos, o que pode levar a assinaturas espectrais distintas em fontes de raios gama. Os blazares, especificamente, servem como laboratórios ideais para esta busca devido às suas distâncias cosmológicas, fortes campos magnéticos em seus jatos relativísticos e o resultante absorção de raios gama de energia muito alta (VHE) pelo fundo extragaláctico de luz (EBL). A presença de ALPs poderia induzir "ondulações" dependentes da energia ou um endurecimento do espectro em altas energias ao permitir que fótons se convertam em ALPs, atravessem distâncias cosmológicas sem absorção pelo EBL e se reconvertam em fótons no campo magnético da Via Láctea.

O Observatório do Telescópio de Cherenkov Array (CTAO) deve oferecer melhorias significativas na resolução de energia e sensibilidade de fonte pontual em relação aos atuais telescópios terrestres. No entanto, extrair sinais de ALPs dos espectros de blazars é desafiador devido à natureza complexa e não linear das distorções espectrais e potenciais incertezas sistemáticas. Embora abordagens estatísticas padrão baseadas no teste de razão de verossimilhança (LRT) sejam comumente utilizadas, este artigo investiga se classificadores de aprendizado de máquina (ML) podem oferecer uma alternativa robusta para restringir o espaço de parâmetros de ALPs ($m_a$ e $g_{a\gamma}$).

Metodologia
O estudo foca em dois blazars de TeV bem conhecidos, Mrk 501 e PKS 2155−304, simulando observações para ambos os seus estados de linha de base e de surto (flare) usando a configuração "Alpha" do CTAO.

1. Simulação de Dados:

   • Dados fictícios foram gerados usando o pacote Gammapy, simulando 50 horas de observação para estados de linha de base e 5 horas para estados de surto.
   • Modelos espectrais foram derivados do catálogo 4FGL-DR4 (log-parábola para linha de base) e dados históricos de surto (log-parábola para Mrk 501, exponencial de corte de lei de potência para PKS 2155−304).
   • As oscilações fóton-ALP foram modeladas usando o pacote Python gammaALPs, incorporando ambientes de campo magnético nos jatos dos blazars (componentes helicoidais e desordenados/tangled), o campo magnético galáctico da Via Láctea e absorção pelo EBL.
   • O espaço de parâmetros de ALP foi varrido sobre $m_a \in [0.1, 1000]$ neV e $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV$^{-1}$.

2. Abordagens Estatísticas:

   • Teste de Razão de Verossimilhança (LRT): Um método de referência padrão foi empregado. Um estatístico de teste (TS) foi definido com base na diferença entre os log-verossimilhanças da hipótese de ALP e o melhor modelo de ajuste. Como o teorema de Wilks não se aplica estritamente às buscas de ALP, a distribuição do TS foi determinada empiricamente simulando 100 conjuntos de dados com efeitos de ALP e ajustando-os com uma função de densidade de probabilidade (PDF) Gamma.
   • Classificadores de Aprendizado de Máquina (ML): Uma abordagem novel foi introduzida usando o algoritmo XGBoost.
     • Uma grade de classificadores foi treinada sobre o espaço de parâmetros de ALP.
     • Cada classificador foi treinado para distinguir entre 20.000 conjuntos de dados contendo efeitos de ALP e 20.000 conjuntos de dados apenas com absorção por EBL (sem ALPs).
     • As características de entrada foram as contagens de fótons em excesso normalizadas em bins de energia, projetadas para focar na forma espectral em vez do fluxo absoluto.
     • Para cada par $(m_a, g_{a\gamma})$, o classificador produz um escore representando a verossimilhança de um conjunto de dados ser "tipo-ALP". Uma estatística complementar $\Pi$ foi definida para avaliar a significância de exclusão.
     • A distribuição de $\Pi$ para conjuntos de dados tipo-ALP foi ajustada com uma PDF Beta para calcular níveis de confiança e significância de exclusão (z-scores).

Principais Contribuições

• Sensibilidade Projetada: O artigo fornece regiões de exclusão projetadas de 2$\sigma$ para observações do CTAO de Mrk 501 e PKS 2155−304, demonstrando o potencial do observatório para melhorar os limites atuais.
• Aplicação de ML em Buscas de ALP: O trabalho introduz e valida um método baseado em aprendizado de máquina para restringir parâmetros de ALP. Demonstra que classificadores XGBoost podem aprender efetivamente as características espectrais não lineares induzidas pela mistura fóton-ALP sem depender de modelos paramétricos explícitos das distorções espectrais.
• Comparação de Métodos: O estudo compara diretamente a abordagem de ML com o LRT padrão, mostrando que o método de ML produz resultados consistentes com a técnica tradicional.

Resultados

• Regiões de Exclusão: Tanto o método LRT quanto o de ML preveem que o CTAO será capaz de excluir partes significativas do espaço de parâmetros de ALP, particularmente em regiões onde a energia crítica para mistura forte cai dentro da faixa de energia do CTAO.
• Consistência de Métodos: Os contornos de exclusão derivados do classificador de ML (usando a estatística $\Pi$) alinham-se de perto com os obtidos pelo LRT.
• Limites de Desempenho: Os classificadores de ML alcançam alta precisão (>90%) em regiões onde as distorções espectrais induzidas por ALP são distintas. No entanto, o desempenho degrada-se em regiões de grande $m_a$ e pequeno $g_{a\gamma}$, onde as distorções espectrais são fracas e difíceis de distinguir do caso sem ALP. Nessas regiões, os classificadores falham corretamente em excluir a hipótese, espelhando o comportamento do LRT.
• Incertezas Sistemáticas: Os autores observam que a abordagem de ML pode ajudar a reduzir o impacto das incertezas sistemáticas dependentes de modelo, uma vez que os classificadores aprendem a forma espectral diretamente dos dados, em vez de depender de formas funcionais específicas para o espectro intrínseco da fonte.

Significância e Alegações
O artigo afirma que o CTAO, com sua resolução de energia e sensibilidade aprimoradas, irá consistentemente melhorar os limites atuais sobre o espaço de parâmetros de ALP. A principal significância deste trabalho reside na demonstração de que classificadores de aprendizado de máquina são uma alternativa viável e eficaz para os testes de razão de verossimilhança padrão para buscas de ALP. Os autores sugerem que este novo método pode ser valioso para buscas futuras ao potencialmente mitigar incertezas sistemáticas associadas à modelagem espectral. O estudo não alega descobrir ALPs, mas sim estabelecer a capacidade projetada do CTAO de restringir sua existência. Os resultados são apresentados como uma estimativa do poder de restrição do CTAO baseada em dados simulados, servindo como um parâmetro de referência para futuras campanhas observacionais.