[论文解读] Impact of Simultaneous Stellar Modeling Uncertainties on the Tip of the Red Giant Branch for Axion-Election Coupling

Mitchell T Dennis, Jeremy Sakstein|arXiv (Cornell University)|May 4, 2023

Dark Matter and Cosmic Phenomena被引用 4

一句话总结

本文提出了一种结合机器学习的马尔可夫链蒙特卡洛（MCMC）框架，通过考虑恒星物理不确定性，同时利用红巨星分支顶端（TRGB）亮度对轴子-电子耦合进行约束。通过对116,250个变化了质量、氦丰度、金属量和轴子耦合的恒星模型进行训练，该研究发现当TRGB校准中充分考虑恒星不确定性时，$α_{26} \leq 2$ 的区域并未被排除——显著扩展了此前被认为受约束的可行参数空间。

ABSTRACT

We present a novel method for incorporating the effects of stellar modeling uncertainties into constraints on the axion-electron coupling constant found using the observed calibration of the tip of the red giant branch (TRGB) I band magnitude $M_I$.~We simulate grids of models with varying initial stellar mass, helium abundance, metallicity, and axion-electron coupling $α_{26}= 10^{26} g^2_{ae}/4π$ but different (fixed) mixing lengths and mass loss efficiencies.~We then train separate machine learning emulators to predict $M_I$ as a function of the varying parameters for each grid.~Our emulators enable the use of Markov Chain Monte Carlo simulations where $α_{26}$ is varied simultaneously with the stellar parameters.~One of our grids yields a bound $α_{26}\leq 0.75$ at the 95\% confidence limit, a factor of $\sim3.7$ weaker than previous bounds;~while the other grid yields $α_{26}\leq1.58$ at the 95\% confidence limit, a factor $\sim7.8$ weaker than previous bounds.~We demonstrate that the different values we find are due to covariances between stellar and axion physics that are not accounted for by single parameter variations.~Our results suggest that the bound on $α_{26}$ derived using empirical calibrations of the TRGB I band magnitude need to be reevaluated using simultaneous parameter variation.~Alternative methods that use the bolometric luminosity instead of $M_I$ are more robust because they are not reliant upon theoretical predictions of the effective temperature.

研究动机与目标

• 通过考虑恒星输入物理中的退化与不确定性，重新评估利用TRGB亮度对轴子-电子耦合的约束。
• 通过使用机器学习对模型输出进行快速模拟，克服恒星演化代码在MCMC中带来的计算瓶颈，实现在毫秒内完成单次样本评估。
• 确定当恒星参数与轴子耦合同时变化时，先前报告的约束 $α_{26} < 0.134$（95%置信水平）是否仍然有效。
• 展示一种可推广的方法，通过将恒星不确定性纳入贝叶斯推断，重新评估其他天体物理探针对新物理的约束。

提出的方法

• 使用MESA生成了116,250个恒星模型网格，变化初始质量、氦丰度、金属量和轴子-电子耦合 $α_{26}$。
• 在模型网格上训练机器学习代理模型，以预测TRGB的I波段星等 $M_I$ 及其相关的光度校正误差，作为输入参数的函数。
• 代理模型使MCMC模拟中的评估速度大幅提升，实现每一样本仅需毫秒级时间，从而可在计算成本极低的情况下联合采样轴子耦合与恒星参数。
• 在MCMC分析中，使用来自大麦哲伦星云（LMC）、NGC 4258和 $ω$ 网罟座的实测TRGB校准作为似然先验。
• 通过标准 $α_{26} = 10^{26}g_{ae}^2/4\pi$ 参数化，将轴子能量损失率（通过半康普顿散射和轫致辐射）引入MESA恒星代码。
• MCMC分析使用代理模型预测结果，将理论 $M_I$ 与实测校准值进行比较，包含颜色修正与测量不确定性。

实验结果

研究问题

• RQ1 当在MCMC分析中充分考虑恒星物理不确定性与退化关系时，先前报告的轴子-电子耦合约束 $α_{26} < 0.134$（95%置信水平）是否仍然有效？
• RQ2 机器学习代理模型是否能够实现对含新物理参数的恒星模型进行高效MCMC采样，从而克服完整恒星演化代码带来的计算成本？
• RQ3 当初始质量、氦丰度与金属量与轴子耦合同时变化时，轴子-电子耦合 $α_{26}$ 的可行参数空间有多大？
• RQ4 当恒星输入物理不确定性在推断过程中被传播时，实测TRGB校准对轴子-电子耦合的约束程度如何？

主要发现

• 当在MCMC分析中充分考虑恒星不确定性与退化关系时，实测TRGB校准并未排除 $α_{26} \leq 2$ 的区域。
• 研究发现，先前较强的约束 $α_{26} < 0.134$（95%置信水平）在恒星与轴子参数同时变化时已不再成立。
• 机器学习代理模型将恒星模型评估时间从数小时缩短至毫秒级，使得对完整参数空间的MCMC采样成为可能。
• MCMC结果表明，观测到的TRGB星等 $M_I$ 在广泛的恒星参数范围及 $α_{26}$ 值（最高达2）下均与理论预测一致。
• 分析表明，$α_{26}$ 大于2的值也可能未被约束，尽管网格未延伸至该范围，但趋势表明其仍具可行性。
• 该方法提供了一套通用框架，可用于将恒星输入物理不确定性纳入贝叶斯推断，从而重新评估其他天体物理探针对新物理的约束。