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

问题陈述
轴子样粒子（ALPs）是各种标准模型扩展中预测的假设性伪标量粒子。其主要的探测方法涉及在外部磁场中光子与 ALPs 的混合，这可能导致独特的能谱特征。由于其宇宙学距离、极高能（VHE）伽马射线在河外背景光（EBL）中的强吸收作用，以及耀变体（Blazars）特别是作为理想的实验室。ALPs 的存在可能会通过允许光子转化为 ALPs、穿越宇宙学距离而不受 EBL 吸收，并在银河系磁场中重新转化为光子，从而诱发能量依赖性的谱线“波动”或在高能端的谱线硬化。

切伦科夫望远镜阵列天文台（CTAO）预计将在能量分辨率和点源灵敏度方面比当前的地面望远镜提供显著改进。然而，由于 ALP 引起的谱线畸变具有复杂的非线性特征以及潜在的系统不确定性，从耀变体能谱中提取 ALP 信号具有挑战性。虽然基于似然比检验（LRT）的标准统计方法被广泛使用，但本文研究了机器学习（ML）分类器是否可以作为约束 ALP 参数空间（$m_a$ 和 $g_{a\gamma}$）的一种稳健替代方案。

方法论
本研究重点关注两个著名的 TeV 耀变体：Mrk 501 和 PKS 2155−304，并使用 CTAO “Alpha”配置模拟了它们的基线态和爆发态观测。

1. 数据模拟：

   • 使用 Gammapy 包生成模拟数据，模拟了 50 小时的基线态观测和 5 小时的爆发态观测。
   • 能谱模型源自 4FGL-DR4 目录（基线态为对数抛物线）和历史爆发数据（Mrk 501 为对数抛物线，PKS 2155−304 为指数截断幂律）。
   • ALP-光子振荡使用 gammaALPs Python 包进行建模，其中包含了耀变体喷流中的磁场环境（螺旋和紊乱分量）、银河系银河磁场以及 EBL 吸收。
   • 对 ALP 参数空间进行了扫描，范围为 $m_a \in [0.1, 1000]$ neV 和 $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV$^{-1}$。

2. 统计方法：

   • 似然比检验 (LRT)： 采用了标准的基准方法。定义了一个基于 ALP 假设与最佳拟合模型之间对数似然差值的检验统计量（TS）。由于威尔克斯定理（Wilks' theorem）并不严格适用于 ALP 搜索，因此通过模拟 100 个包含 ALP 效应的数据集并使用 Gamma 概率密度函数（PDF）进行拟合，来经验性地确定 TS 分布。
   • 机器学习 (ML) 分类器： 引入了一种使用 XGBoost 算法的新颖方法。
     • 在 ALP 参数空间上训练了一系列分类器网格。
     • 每个分类器都被训练用于区分包含 ALP 效应的 20,000 个模拟数据集和仅包含 EBL 吸收（无 ALPs）的 20,000 个数据集。
     • 输入特征为能量箱中的归一化过剩光子计数，旨在侧重于谱线形状而非绝对通量。
     • 对于每个 $(m_a, g_{a\gamma})$ 对，分类器输出一个分数，代表数据集是“类 ALP”的可能性。定义了一个互补统计量 $\Pi$ 来评估排除显著性。
     • 使用 Beta PDF 对“类 ALP”数据集的 $\Pi$ 分布进行拟合，以计算置信水平和排除显著性（z-分数）。

主要贡献

• 预期灵敏度： 本文提供了对 Mrk 501 和 PKS 2155−304 进行 CTAO 观测的预期 2$\sigma$ 排除区域，展示了该天文台提升现有限制的潜力。
• ML 在 ALP 搜索中的应用： 本工作引入并验证了一种基于机器学习分类器的方法来约束 ALP 参数。它证明了 XGBoost 分类器可以有效地学习由 ALP-光子混合引起的非线性谱线特征，而无需依赖显式的参数化模型来描述谱线畸变。
• 方法比较： 研究直接将 ML 方法与标准的 LRT 进行了比较，表明 ML 方法得出的结果与传统技术一致。

结果

• 排除区域： LRT 和 ML 方法均预测，CTAO 将能够排除显著部分的 ALP 参数空间，特别是在强混合的临界能量落在 CTAO 能谱范围内的区域。
• 方法一致性： 通过 ML 分类器（使用 $\Pi$ 统计量）得出的排除轮廓与通过 LRT 得出的轮廓高度吻合。
• 性能极限： 在 ALP 诱导的谱线畸变明显的区域，ML 分类器实现了高准确率（>90%）。然而，在较大的 $m_a$ 和较小的 $g_{a\gamma}$ 区域，性能会下降，因为这些区域的谱线畸变微弱且难以与无 ALP 情况区分。在这些区域，分类器正确地未能排除该假设，这镜像了 LRT 的行为。
• 系统不确定性： 作者指出，ML 方法可能有助于减少系统性的模型依赖不确定性，因为分类器直接从数据中学习谱线形状，而不是依赖于特定内在源谱线的函数形式。

意义与主张
本文声称，凭借增强的能量分辨率和灵敏度，CTAO 将能够持续改善当前对 ALP 参数空间的限制。这项工作的核心意义在于证明了机器学习分类器是进行 ALP 搜索的一种可行且有效的替代手段。作者认为，这种新方法对于未来的搜索可能具有价值，因为它有可能减轻与谱线建模相关的系统不确定性。该研究并非声称发现了 ALPs，而是旨在建立 CTAO 约束其存在能力的预期能力。研究结果是基于模拟数据的对 CTAO 约束能力的估算，作为未来观测活动的基准。