[论文解读] 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 4

一句话总结

本文提出一种贝叶斯图卷积神经网络（Bayesian GCNN），用于在费米-LAT伽马射线数据中解耦银河系中心过量（GCE），利用HEALPix天空表示和不确定性量化。在真实数据上的应用表明，该模型将几乎所有GCE辐射通量归因于平滑发射（主要为暗物质湮灭），与非泊松模板拟合（NPTF）结果相反，后者更倾向于点源；然而，该方法在1σ检测阈值附近对平滑组分存在系统性偏差，导致GCE起源尚不明确，但展示了对系统误差的强大鲁棒性。

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.

研究动机与目标

• 解决长期存在的争议：即银河系中心过量（GCE）是否源于暗物质湮灭或毫秒脉冲星。
• 开发一种深度学习方法，能够准确将复杂的伽马射线天图分解为不同天体物理组分的通量占比。
• 通过贝叶斯深度学习量化组分通量估计的不确定性，实现在系统不确定性下的稳健推断。
• 测试该方法对弥散发射建模错误、未建模的不对称性以及接近1σ检测阈值的微弱点源注入的鲁棒性。

提出的方法

• 该方法基于DeepSphere架构，采用基于球面HEALPix天图的贝叶斯图卷积神经网络（Bayesian GCNN）。
• 网络在大规模模拟的光子计数图合成数据集上进行训练，其中已知弥散、点源和GCE组分的通量贡献。
• 通过学习网络权重的概率分布实现贝叶斯推断，从而联合估计随机不确定性（aleatoric）和认知不确定性（epistemic）。
• 通过蒙特卡洛丢弃和权重分布建模实现不确定性量化，预测不确定性计算为随机不确定性与认知不确定性的总和。
• 在模拟图和真实费米-LAT数据上评估模型性能，并与标准NPTF方法进行比较。
• 在系统性扰动下测试该框架，包括弥散发射建模错误、南北不对称性以及接近1σ阈值的微弱点源注入。

实验结果

研究问题

• RQ1 贝叶斯GCNN能否在模拟伽马射线天图中以亚百分之一精度准确重建天体物理组分的通量占比？
• RQ2 当应用于真实费米-LAT数据时，贝叶斯GCNN是否更倾向于将GCE归因于平滑组分或点源？与NPTF结果相比如何？
• RQ3 贝叶斯GCNN对弥散发射建模错误和未建模的天空不对称性等系统性效应的鲁棒性如何？
• RQ4 该模型在接近1σ检测阈值时，对微弱点源通量的低估程度如何？这对GCE起源的解释有何影响？
• RQ5 贝叶斯深度学习方法能否提供与多样化天区配置下实际性能一致的可靠不确定性估计？

主要发现

• 在模拟数据中，贝叶斯GCNN对通量占比的重建平均精度约为0.5%，与非泊松模板拟合（NPTF）相当。
• 在真实费米-LAT数据上应用时，该模型将几乎所有GCE通量归因于平滑发射（GCE DM），点源通量估计与零一致，与NPTF结果相反，后者将100%的GCE归因于点源。
• 该神经网络对弥散、各向同性及费米气泡组分的预测结果与NPTF一致，仅在GCE组分构成上存在差异。
• 该模型对接近1σ检测阈值注入的点源通量表现出系统性低估，提示在解释平滑主导结果时需保持谨慎。
• 不确定性估计校准良好：不确定性越大，预测精度越低；可信区间随区域大小增加和模板特征更明显而缩小。
• 该方法在弥散发射建模错误和未建模的不对称性下仍保持稳健，显示出未来解决GCE起源问题的强潜力。