[論文レビュー] The GCE in a New Light: Disentangling the $γ$-ray Sky with Bayesian Graph Convolutional Neural Networks

Florian List, Nicholas L. Rodd+2 more|arXiv (Cornell University)|Jun 22, 2020

Gamma-ray bursts and supernovae被引用数 4

ひとこと要約

本稿では、HEALPixスカイ表現と不確実性の定量化を活用して、フェルミ-LATガンマ線データにおける銀河中心過剰（GCE）を分離するためのベイジアングラフ畳み込みニューラルネットワーク（ベイジアンGCNN）を提案する。実データに適用した結果、GCEの放射能のほとんどが滑らかな発光（主にダークマターの消失によるもの）に帰属される一方、非ポisson的テンプレートフィット（NPTF）は点源を好む。しかし、1σ検出閾値付近では滑らかな成分へのバイアスが生じ、GCEの起源は解明されていないが、系制度への強いロバストネスを示している。

ABSTRACT

A fundamental question regarding the Galactic Center Excess (GCE) is whether the underlying structure is point-like or smooth. This debate, often framed in terms of a millisecond pulsar or annihilating dark matter (DM) origin for the emission, awaits a conclusive resolution. In this work we weigh in on the problem using Bayesian graph convolutional neural networks. In simulated data, our neural network (NN) is able to reconstruct the flux of inner Galaxy emission components to on average $\sim$0.5%, comparable to the non-Poissonian template fit (NPTF). When applied to the actual $ extit{Fermi}$-LAT data, we find that the NN estimates for the flux fractions from the background templates are consistent with the NPTF; however, the GCE is almost entirely attributed to smooth emission. While suggestive, we do not claim a definitive resolution for the GCE, as the NN tends to underestimate the flux of point-sources peaked near the 1$σ$ detection threshold. Yet the technique displays robustness to a number of systematics, including reconstructing injected DM, diffuse mismodeling, and unmodeled north-south asymmetries. So while the NN is hinting at a smooth origin for the GCE at present, with further refinements we argue that Bayesian Deep Learning is well placed to resolve this DM mystery.

研究の動機と目的

• 銀河中心過剰（GCE）の起源がダークマターの消失によるものか、ミリ秒パulsarによるものかという長年の論争を解消すること。
• 複雑なガンマ線スカイマップを、明確に分離された天体物理学的成分のフラックス割合に正確に分解できる深層学習手法を開発すること。
• ベイジアンディープラーニングを用いて成分フラックス推定における不確実性を定量化し、システムティックな不確実性下でも頑健な推論を可能にすること。
• 本手法が拡散放射の誤モデル化、未モデル化された非対称性、および1σ検出閾値付近の微弱な点源の注入に対する耐性をテストすること。

提案手法

• 本手法は、球面的HEALPixスカイマップを対象としたDeepSphereアーキテクチャに基づくベイジアングラフ畳み込みニューラルネットワーク（ベイジアンGCNN）を採用する。
• ネットワークは、拡散、点源、GCE成分からの既知のフラックス寄与を持つ、大規模な合成光子数マップデータセットで訓練される。
• ベイジアン推論は、ネットワーク重みの確率分布を学習することで実装され、アレアトリックおよびエピステミック不確実性の同時推定が可能になる。
• 不確実性定量化は、モンテカルロドロップアウトと重み分布モデリングにより達成され、予測不確実性はアレアトリック成分とエピステミック成分の和として計算される。
• モデルは合成マップおよび実フェルミ-LATデータの両方で評価され、標準的なNPTF手法と比較される。
• フレームワークは、拡散放射の誤モデル化、北南非対称性、および1σ閾値付近の微弱な点源の注入といったシステムティックな摂動の下でもテストされる。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンGCNNは、合成ガンマ線スカイマップにおいて、フラックス割合を1%未塔の精度で正確に再構成できるか？
• RQ2 実フェルミ-LATデータに適用した場合、ベイジアンGCNNはGCEの起源を滑らかなものか点源かを好むか？また、NPTFとの比較ではどうなるか？
• RQ3 ベイジアンGCNNは、拡散放射の誤モデル化や未モデル化された天の非対称性といったシステムティック効果に対してどの程度ロバストか？
• RQ4 1σ検出閾値付近の微弱な点源からのフラックスを、どの程度過小評価するか？これはGCEの起源解釈にどのように影響するか？
• RQ5 ベイジアンディープラーニング手法は、多様なスカイ配置において、経験的性能と整合する信頼性の高い不確実性推定を提供できるか？

主な発見

• 合成データでは、ベイジアンGCNNは平均して約0.5%の精度でフラックス割合を再構成でき、非ポisson的テンプレートフィット（NPTF）と同等の性能を示した。
• 実フェルミ-LATデータに適用した結果、モデルはGCEフラックスのほとんどを滑らかな発光（GCE DM）に帰属づけ、GCE点源フラックスはゼロと一致したが、NPTFは100%を点源に帰属づけていた。
• 拡散、等方的、フェルミバブル成分の予測はNPTFの結果と一致しており、GCE成分の構成以外に差が生じた。
• 1σ検出閾値付近に注入された点源からのフラックスを、系統的に過小評価するバイアスが観測された。これは、滑らかな支配が決定的であると解釈する際の注意を示唆している。
• 不確実性推定は適切にキャリブレーションされており、不確実性が大きいほど予測精度が低く、ROIサイズが大きくなると信頼区間が狭まり、テンプレートの明確さが高まると同様に信頼性が向上する。
• 拡散放射の誤モデル化や未モデル化された非対称性に対しても、本手法はロバストであることが示され、今後のGCE起源の解明に強く期待できる。