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

技术摘要：利用 SKA-Low 对 21 厘米信号中暗物质湮灭印记的敏感性：一种卷积神经网络方法

问题陈述
暗物质的本质仍然是宇宙学中最重大的未解问题之一。虽然 $\Lambda$CDM 模型成功描述了大尺度结构，但它并未阐明暗物质的粒子物理特性。一个潜在的探测手段是暗物质粒子的湮灭，这种湮灭在再电离时代之前向星际介质（IGM）注入能量，改变了中性氢的热演化和电离历史。这种能量注入会修改 21 厘米微分亮度温度信号。

目前的 21 厘米信号分析通常依赖于汇总统计量（如功率谱），但这可能无法捕捉到三维亮度温度场中所编码的完整信息。此外，区分不同的暗物质模型受到天体物理参数简并性的复杂影响。一个关键的区别在于均匀（homogeneous）能量注入（假设空间分布均匀沉积）与非均匀（inhomogeneous）注入（能量沉积随局部暗物质密度对比度和气体性质而变化）之间的差异。以往的研究侧重于将暗物质湮灭与标准 $\Lambda$CDM 模型进行区分；本文则探讨了更细微的挑战，即使用即将到来的 SKA-Low 低频望远镜来区分非均匀暗物质湮灭模型与均匀模型。

方法论
作者采用了一种机器学习方法，具体为卷积神经网络（CNN），用于对三维 21 厘米微分亮度温度图进行分类。

1. 模拟框架：

   • 代码： 本研究利用 DM21cm 代码，该代码集成了 21cmFAST（一种半数值宇宙学模拟代码）和 DarkHistory（用于热演化和电离演化）。
   • 物理机制： 模拟过程对暗物质湮灭进入两种主要通道（电子-正电子对 $e^+e^-$ 和光子对 $\gamma\gamma$）进行了建模。能量注入率基于局部暗物质密度对比度 $\delta(x,z)$ 进行计算，从而实现空间上的非均匀沉积。
   • 参数： 研究探索了暗物质质量 $m_{DM}$ 在 1 MeV 至 100 MeV 范围内的情形以及各种湮灭截面（$\langle\sigma v\rangle$）。模拟使用的立方体尺寸为 48 Mpc，分辨率为 $64^3$ 网格（体素大小为 0.75 Mpc）。
   • 噪声建模： 为了反映真实的观测条件，研究中加入了符合 SKA-Low 规格（512 个站点，最大基线 74 km，$10^4$ 小时积分时间）的高斯热噪声。噪声水平通过噪声比例 $f_{Noise}$（范围从 0 到 1）进行参数化。

2. 机器学习架构：

   • 模型： 使用了标准的 CNN 架构，由四个卷积层（3$\times$3 卷积核）、Leaky ReLU 激活函数、2$\times$2 最大池化层和批归一化组成。
   • 输入： 网络处理来自模拟箱的三维体素（16$\times$16$\times$16 的子区域）。
   • 预处理： 为了解决标准归一化（减去均值并进行标准差缩放）可能会抑制均匀模型与非均匀模型之间全局振幅差异的问题，作者显式地提取了输入图像的均值和标准差，并在全连接层之前将其与潜在特征向量拼接。
   • 训练： 模型在 128,000 幅图像上进行训练（一半为均匀模型，一半为非均匀模型），这些图像源自 1,000 个不同的宇宙学实现。数据集分为训练集（80%）、验证集（20%）和测试集（20%）。

关键结果

1. 电子-正电子通道 ($e^+e^-$)：

   • 判别能力： CNN 成功区分了 $e^+e^-$ 通道中的非均匀与均匀湮灭情景。
   • 性能指标： 对于暗物质质量 $m_{DM} = 1$ MeV，即使在适度噪声下（$f_{Noise} \leq 0.1$），模型对于湮灭截面 $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s 的情况也能达到 $\geq 0.72$ 的曲线下面积（AUC）（表明判别能力优于随机猜测）。
   • 最优截面： 判别性能随截面的变化呈非单调性。它在中间值处达到峰值（例如，$m_{DM}=1$ MeV 时，$\langle\sigma v\rangle \approx 5 \times 10^{-29}$ cm$^3$/s）：
     • 低截面： 能量注入过弱，无法产生明显的特征信号。
     • 中等截面： 能量注入具有足够的局部性，能够产生区别于背景的加热/电离“气泡”，从而使模型间的对比度最大化。
     • 高截面： 二级光子的平均自由程增加，导致能量在更大体积内弥散，使得非均匀情景在外观上趋向于均匀情景，从而降低了 AUC。
   • 质量依赖性： 对于 $m_{DM} = 100$ MeV，由于高能二级光子的平均自由程更长，有效判别所需的截面增加到了 $\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm$^3$/s。

2. 光子-光子通道 ($\gamma\gamma$)：

   • 判别失败： CNN 在所有测试的质量和截面范围内都无法区分 $\gamma\gamma$ 通道的非均匀与均匀模型（AUC $\lesssim 0.7$）。
   • 物理原因： 暗物质湮灭产生的光子的平均自由程显著大于模拟单元尺寸（且通常大于哈勃半径），因此光子可以自由传播，并将能量均匀沉积，从而抹除了空间上的非均匀性。在这种情况下，“原地（on-the-spot）”近似失效。

3. 功率谱分析：

   • 与均匀情景相比，非均匀情景表现出较低的 21 厘米功率谱。这是因为局部的加热产生了吸收振幅被抑制的“气泡”，而其余体积则更接近全局平均值。这种统计上的均匀化降低了信号涨落的方差。

意义与主张
本文声称，机器学习技术（特别是 CNN）为从复杂的 21 厘米数据中提取微妙的空间特征提供了一种新颖且有效的方法，而传统的汇总统计量（如功率谱）可能会忽略这些特征。

• 可行性： 研究表明，即使存在热噪声，SKA-Low 望远镜也具备探测特定参数范围（$m_{DM} \sim 1$ MeV，$\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm$^3$/s）内非均匀暗物质湮灭印记的敏感性。
• 方法论进步： 本工作强调了在神经网络输入中加入全局统计特征（均值和标准差）的重要性，以防止在归一化过程中抑制关键的判别特征。
• 物理洞察： 研究明确了非均匀湮灭的可探测性高度依赖于湮灭通道及产生粒子的平均自由程。虽然电子-正电子通道为探测空间非均匀性提供了可行路径，但光子通道由于较大的平均自由程，实际上会抹除这些空间特征。

作者得出结论，未来的 21 厘米观测结合先进的机器学习分析，为探测奇异能量注入源并约束暗物质的微观属性提供了一条稳健的途径，特别是在区分空间变化的能量沉积与均匀能量沉积机制方面。