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

技术摘要：Draco 与 Boötes I 中的暗物质：基于模拟推断的超微弱矮星系核心迹象

问题陈述
矮星系球状星系（dSphs）的密度剖面是区分碰撞无关的冷暗物质（CDM）模型（预测“尖点型”内密度剖面 $\rho \propto r^{-1}$）与替代模型（如自相互作用或耗散性暗物质，预测“核心型”剖面 $\rho \propto r^0$）的关键探测器。然而，由于质量-各向异性简并的存在，从噪声较大的恒星运动学中提取这些剖面具有挑战性。仅依赖视线速度弥散度（$\sigma_{\text{los}}$）的传统方法往往无法打破这种简并，并且即使在不存在简并的情况下，也会由于 $\sigma_{\text{los}}$ 对核心区域内斜率的固有不敏感性以及采样噪声的影响，而偏向于尖点型解。此外，现有的推断流程往往忽略了测量不确定性和光谱选择函数（例如量级限制、拥挤效应），这些因素可能会引入显著偏差。

方法论
作者提出了 GraphNPE（图神经网络后验估计），这是模拟推断（SBI）框架的一种扩展，旨在直接从运动学样本中推断动力学质量模型。

• 前向模型： 该模型使用 Agama 库生成合成的矮星系运动学数据。它假设暗物质密度遵循 Zhao 剖面，恒星示踪粒子密度遵循 Plummer 剖面，且速度各向异性遵循 Cuddeford-Osipkov-Merritt (COM) 剖面。
• 纳入观测效应： 与之前的迭代版本不同，该框架明确纳入了：
  • 测量不确定性： 通过与高斯核进行卷积来模拟每颗恒星的视线速度（LOSV）不确定性。不确定性按 Jeffers 优先分布抽取，以覆盖光谱目录中发现的各种取值范围。
  • 选择函数： 应用径向丢弃方案（模拟外围区域的量级限制和内围区域的拥挤效应）于模拟数据中，以模拟真实巡天中的空间不完整性。
  • 图构建： 数据被表示为一个图，其中节点是恒星，边连接最近邻。节点特征包括投影半径、LOSV 和 LOSV 不确定性。邻居数量采用自适应设置（总示踪粒子数的 20%），以保持在不同样本规模下的连通性。
• 推断： GraphNPE 通过最小化 KL 散度（Kullback-Leibler divergence）来学习后验分布 $p(\theta|d)$，其中 KL 散度是在以数据图表示为条件的归一化流（normalizing flow）之间计算的。这实现了摊销推断（amortized inference），可在无需重新训练的情况下实现快速后验评估。
• 比较基准： 作者将 GraphN配合与二阶 Jeans 模型进行了对比，后者通过拟合 LOSV 弥散度剖面 $\sigma_{\text{los}}(R)$ 的高斯似然函数来进行推断。该基准作为一个控制组，用以隔离高阶速度矩的影响。

核心贡献

1. 框架扩展： 将异构测量不确定性和光谱选择函数整合进 GraphNPE 的前向模型中，弥合了理想化模拟与真实观测数据之间的差距。
2. 高阶矩效用的论证： 本文证明了仅依赖 $\sigma_{\text{los}}$ 会导致有偏推断。通过对全相空间分布函数（DF）进行操作，GraphNPE 隐式地获取了高阶矩的信息，特别是 LOSV 峰度（$\kappa_{\text{los}}$）。作者展示了 $\kappa_{\text{los}}$ 携带了与 $\sigma_{\text{los}}$ 互补的信息，尤其是在区分核心型剖面方面，从而打破了质量-各向异性简并，并减轻了由采样噪声引起的偏差。
3. 诊断工具： 作者提出将 LOSV 峰度作为一种标准的后验诊断工具。他们表明，一个模型可以很好地拟合 $\sigma_{\text{los}}$，但却无法重现 $\kappa_{\text{los}}$，这表明其推断的底层密度剖面存在偏差。

结果
该框架被应用于两个银河系卫星：Draco（一个经典矮星系球状星系）和 Boötes I（一个超微弱矮星系），使用了多种光谱数据集（MMT/Hectochelle、DESI、S5 以及存档数据）。

• 模拟验证： 在匹配观测特性的模拟数据集上，GraphNPE 恢复真实密度和各向异性剖面的偏差比二阶 Jeans 模型更小。至关重要的是，当面对核心型模拟数据时，Jeans 模型往往会推断出有偏的尖点型剖面（由于 $\sigma_{\text{los}}$ 的噪声），而 GraphNPE 则保持了稳健性。
• Draco：
  • GraphNPE 在 MMT 和 DESI 数据集上给出了一致的密度剖面，略微倾向于尖点型内剖面（$\rho_{150} \sim 1.6\text{--}1.9 \times 10^8 M_\odot \text{kpc}^{-3}$），这与现有文献一致。
  • 对 DESI 数据集进行的二阶 Jeans 模型无法重现观察到的峰度，并推断出显著较低的密度归一化值和核心型剖面。这种差异凸显了 DESI 仅基于 Jeans 的推断因内区采样不足而产生了偏差，而 GraphNPE 通过利用高阶矩纠正了这一偏差。
• Boötes I：
  • 由于样本量较小且测量不确定性相对于内在弥散度较大，统计效力受到限制。
  • 虽然无法确定渐近内斜率 $\gamma$，但 GraphNPE 恢复的内暗物质密度显著低于以往的非球对称 Jeans 分析结果：对于合并样本，$\rho_{150} = 0.36^{+0.15}_{-0.11} \times 10^8 M_\odot \text{kpc}^{-3}$。
  • 该数值使 Boötes I 处于同等恒星质量中密度最低的矮星系之列，并且与核心型内剖面是一致的。
  • 作者指出，尽管内斜率仍具有模糊性，但低 $\rho_{150}$ 值在不同的建模假设下都是稳健的。

意义与主张
论文声称，Boötes I 中低内密度和浅内斜率的结合，提供了超微弱矮星系中存在核心的第一个迹象。作者讨论了四种潜在的物理起源：

1. 反馈驱动的核心形成： 因 Boötes I 的恒星-晕质量比极低，且其恒星形成仅为单次短暂爆发，不足以维持持续的反馈，因此该机制被排除。
2. 潮汐剥离： 考虑到其较小的近星点，该机制是合理的，但模拟表明，潮汐作用本身无法在不破坏恒星组分的情况下将原始尖点转化为核心。
3. 低浓度晕： 统计学上虽不太可能，但仍存在可能性。
4. 替代暗物质模型： 自相互作用暗物质（SIDM）是一个可行的候选者，因为它可以经由热引力加热产生核心。模糊暗物质（Fuzzy DM）则因现有约束而被排除。

作者总结道，要区分这些场景需要更大规模的超微弱矮星系统计样本。他们强调，GraphNPE 通过利用完整的运动学分布函数，提供了一个稳健的框架，用于从稀疏的运动学数据中提取最大信息，这一能力对于未来研究那些易受基于弥散度方法的系统偏差影响的超微弱矮星系至关重要。这项工作强调了引入高阶矩（如峰度）或基于分布函数的方法对于避免传统仅基于弥散度分析所固有的系统偏差的必要性。