暗淡而非全暗：用神经网络提取银河系中心超出源计数分布

$\textit{Fermi}$ 数据中银河系中心超出（GCE）的两个主要假说是一群未分辨的暗弱毫秒脉冲星（MSPs）和暗物质（DM）湮灭。这些解释之间的二分法通常通过将它们建模为两个独立的发射成分来反映。然而，诸如 MSP 的点源（PSs）在极暗极限下（形式上每个源平均预期贡献远小于一个光子）与平滑泊松发射在统计上退化，导致一种模糊性，可使诸如发射本质上类似 PS 还是泊松性的这类问题变得定义不清。我们提出了一种概念上全新的方法，以统一方式描述 PS 和泊松发射，之后才从所得结果推导对泊松成分的约束。为实现该方法，我们利用深度学习技术，围绕一个基于神经网络的直方图回归方法，该方法用分位数表达不确定性。我们证明，我们的方法对困扰先前方法的若干系统误差（特别是 DM / PS 误归因）具有鲁棒性。在 $\textit{Fermi}$ 数据中，我们发现一个暗弱的 GCE，由峰值在流量 $\sim4 \times 10^{-11} \ \text{counts} \ \text{cm}^{-2} \ \text{s}^{-1}$（对应每 PS 约 $3 - 4$ 预期计数）的中位源计数分布（SCD）描述，这将需要 $N \sim \mathcal{O}(10^4)$ 个源来解释整个超出（全天空中位值 $N = \text{29,300}$）。尽管暗弱，该 SCD 使我们能推导约束：在 95% 置信度下 GCE 流量的泊松分数为 $\eta_P \leq 66\%$，表明 GCE 流量的可观部分源于 PSs。