Dark Matter in Draco and Boötes I: Hints of a Core in an Ultra-Faint Dwarf from Simulation-Based Inference

Resumo Técnico: Matéria Escura em Draco e Boötes I: Indícios de um Núcleo em um Anão Ultra-Fraco via Inferência Baseada em Simulação

Definição do Problema
Os perfis de densidade de galáxias esferoidais anãs (dSphs) servem como sondas críticas para distinguir entre modelos de Matéria Escura Fria (CDM) colisional (que preveem perfis de densidade interna "cuspy" ou pontiagudos, $\rho \propto r^{-1}$) e modelos alternativos (ex: matéria escura autointeragente ou dissipativa), que preveem perfis "cored" ou com núcleo ($\rho \propto r^0$). No entanto, extrair esses perfis a partir de cinemática estelar ruidosa é dificultado por incertezas sistemáticas, notadamente a degenerescência massa-anisotropia. Métodos tradicionais que dependem apenas da dispersão de velocidade na linha de visada (LOSV), $\sigma_{\text{los}}$, frequentemente falham em quebrar essa degenerescência e são tendenciosos para soluções "cuspy", mesmo na ausência da degenerescência, devido à insensibilidade intrínseca de $\sigma_{\text{los}}$ aos declives internos no regime de núcleo e à influência do ruído de amostragem. Além disso, pipelines de inferência existentes frequentemente negligenciam incertezas de medição e funções de seleção espectroscópica (ex: limites de magnitude, aglomeração/crowding), que podem introduzir vieses significativos.

Metodologia
Os autores apresentam o GraphNPE (Estimativa de Posterior de Grafos), uma extensão de um framework de inferência baseada em simulação (SBI) projetado para inferir modelos de massa dinâmica diretamente de amostras cinemáticas.

• Modelo de Avanço (Forward Model): O modelo gera cinemática sintética de galáxias anãs usando a biblioteca Agama. Ele assume um perfil de Zhao para a densidade de matéria escura (DM), um perfil de Plummer para a densidade de traçadores estelares e um perfil de Cuddeford-Osipkov-Merritt (COM) para a anisotropia de velocidade.
• Incorporação de Efeitos Observacionais: Diferente de iterações anteriores, este framework incorpora explicitamente:
  • Incertezas de Medição: As incertezas de LOSV por estrela são modeladas via convolução com núcleos Gaussianos. As incertezas são extraídas de um prior de Jeffreys para cobrir a gama de valores encontrados em catálogos espectroscópicos.
  • Funções de Seleção: Esquemas de queda radial (simulando limites de magnitude em regiões externas e aglomeração em regiões internas) são aplicados a dados fictícios (mock data) para mimetizar a incompletude espacial de levantamentos reais.
  • Construção de Grafos: Os dados são representados como um grafo onde os nós são estrelas e as arestas conectam os vizinhos mais próximos. As características dos nós incluem raio projetado, LOSV e incerteza de LOSV. O número de vizinhos é definido adaptativamente (20% do total de traçadores) para manter a conectividade em diferentes tamanhos de amostra.
• Inferência: O GraphNPE aprende a distribuição posterior $p(\theta|d)$ minimizando a divergência de Kullback-Leibler entre a posterior verdadeira e um estimador de densidade neural (fluxo normalizante) condicionado à representação do grafo dos dados. Isso permite uma inferência amortizada, proporcionando avaliação rápida de posteriors sem necessidade de retreinamento.
• Linha de Base de Comparação: Os autores comparam o GraphNPE contra a modelagem de Jeans de segunda ordem, que ajusta o perfil de dispersão de velocidade LOSV $\sigma_{\text{los}}(R)$ usando uma verossimilhança Gaussiana. Esta linha de base serve como controle para isolar o impacto de momentos de velocidade de ordem superior.

Principais Contribuições

1. Extensão do Framework: A integração de incertezas de medição heterogêneas e funções de seleção espectroscópica no modelo de avanço do GraphNPE, preenchendo a lacuna entre simulações idealizadas e dados observacionais reais.
2. Demonstração da Utilidade de Momentos de Ordem Superior: O artigo demonstra que depender apenas de $\sigma_{\text{los}}$ leva a inferências enviesadas. Ao operar sobre a função de distribuição (DF) de fase completa, o GraphNPE acessa implicitamente momentos de ordem superior, especificamente a curtose de LOSV ($\kappa_{\text{los}}$). Os autores mostram que $\kappa_{\text{los}}$ carrega informação complementar a $\sigma_{\text{los}}$, particularmente para distinguir perfis com núcleo, quebrando a degenerescência massa-anisotropia e mitigando vieses causados pelo ruído de amostragem.
3. Ferramenta de Diagnóstico: Os autores propõem a curtose de LOSV como um diagnóstico de posterior padrão. Eles mostram que um modelo pode ajustar bem $\sigma_{\text{los}}$, mas falhar ao reproduzir $\kappa_{\text{los}}$, indicando uma recuperação enviesada do declive de densidade subjacente.

Resultos
O framework foi aplicado a dois satélites da Via Láctea: Draco (uma dSph clássica) e Boötes I (um anão ultra-fraco), utilizando múltiplos conjuntos de dados espectroscópicos (MMT/Hectochelle, DESI, S5 e dados de arquivo).

• Validação em Dados Fictícios (Mock Validation): Em datasets fictícios correspondentes às propriedades observacionais dos alvos, o GraphNPE recuperou perfis de densidade e anisotropia verdadeiros com menos viés do que a modelagem de Jeans de segunda ordem. Crucialmente, enquanto a modelagem de Jeans frequentemente inferia perfis "cuspy" enviesados para mocks com núcleo (devido ao ruído em $\sigma_{\text{los}}$), o GraphNPE permaneceu robusto.
• Draco:
  • O GraphNPE produziu perfis de densidade consistentes entre os datasets MMT e DESI, preferindo marginalmente um perfil interno "cuspy" ($\rho_{150} \sim 1.6\text{--}1.9 \times 10^8 M_\odot \text{kpc}^{-3}$), consistente com a literatura.
  • A modelagem de Jeans de segunda ordem no dataset DESI falhou em reproduzir a curtose observada, inferindo uma normalização de densidade significativamente menor e um perfil com núcleo. Essa discrepância destaca que a inferência de Jeans baseada apenas em DESI foi enviesada pela subamostragem nas regiões internas, um viés corrigido pelo uso de momentos de ordem superior pelo GraphNzeitig.
• Boötes I:
  • O poder estatístico foi limitado pelos pequenos tamanhos de amostra e grandes incertezas de medição em relação à dispersão intrínseca.
  • Embora o declive interno assintótico $\gamma$ não pudesse ser determinado de forma definitiva, o GraphNPE recuperou uma densidade interna de DM significativamente menor do que as análises de Jeans não esféricas anteriores: $\rho_{150} = 0.36^{+0.15}_{-0.11} \times 10^8 M_\odot \text{kpc}^{-3}$ (para a amostra combinada).
  • Este valor coloca Boötes I entre os anões de menor densidade de massa estelar comparável e é consistente com um perfil interno com núcleo.
  • Os autores observam que, embora o declive interno permaneça ambíguo, o baixo $\rho_{150}$ é robusto através de diferentes pressupostos de modelagem.

Significância e Alegações
O artigo alega que a combinação de baixa densidade interna e declive interno raso em Boötes I fornece o primeiro indício de um núcleo em um anão ultra-fraco. Os autores discutem quatro potenciais origens físicas para esse sinal:

1. Formação de núcleo impulsionada por feedback: Desfavorecida devido à baixa razão massa estelar-halo de Boötes I e ao seu fato de ter se formado em um único surto curto de formação estelar, o que é insuficiente para um feedback sustentado.
2. Arrasto por maré (Tidal stripping): Plausível dado o pequeno pericentro do satélite, mas simulações sugerem que as marés sozinhas não podem transformar um "cusp" primordial em um núcleo sem destruir o componente estelar.
3. Halo de baixa concentração: Estatisticamente improvável, mas possível.
4. Modelos alternativos de DM: A matéria escura autointeragente (SIDM) é um candidato viável, pois pode gerar núcleos via aquecimento gravotérmico. A matéria escura difusa (Fuzzy DM) é desfavorecida por restrições existentes.

Os autores concluem que distinguir entre esses cenários requer uma amostra estatística maior de anões ultra-fracos. Eles enfatizam que o GraphNPE, ao alavancar a função de distribuição de fase completa, oferece um framework robusto para extrair o máximo de informação de cinemáticas esparsas, uma capacidade essencial para estudos futuros de anões ultra-fracos onde métodos tradicionais baseados em dispersão são propensos a vieses. O trabalho ressalta a necessidade de incorporar momentos de ordem superior (como a curtose) ou métodos baseados em funções de distribuição para evitar os vieses sistemáticos inerentes às análises baseadas apenas em dispersão.