新视角下的银心超出：用贝叶斯图卷积神经网络解构 γ 射线天空
高能天体物理现象
2021-01-04 v2 宇宙学与河外天体物理
天体物理仪器与方法
机器学习
高能物理 - 唯象学
摘要
关于银心超出（GCE）的一个基本问题是其底层结构是点状还是平滑的。这一争论常以毫秒脉冲星或湮灭暗物质（DM）起源来表述，尚待决定性解决。本工作中我们使用贝叶斯图卷积神经网络介入该问题。在模拟数据中，我们的神经网络（NN）能以内银河系发射成分流量平均约 0.5% 的精度重建，可与非泊松模板拟合（NPTF）相比。应用于实际 -LAT 数据时，我们发现 NN 对背景模板流量份额的估计与 NPTF 一致；然而 GCE 几乎完全归因于平滑发射。尽管具有暗示性，我们不声称对 GCE 有确定性解决，因为 NN 倾向于低估峰值近 1 探测阈值的点源流量。但该技术对若干系统误差表现出稳健性，包括重建注入的 DM、弥散误建模以及未建模的南北不对称性。因此，尽管 NN 目前暗示 GCE 的平滑起源，我们认为借助进一步改进，贝叶斯深度学习有望解决这一 DM 之谜。
引用
@article{arxiv.2006.12504,
title = {The GCE in a New Light: Disentangling the $\gamma$-ray Sky with Bayesian Graph Convolutional Neural Networks},
author = {Florian List and Nicholas L. Rodd and Geraint F. Lewis and Ishaan Bhat},
journal= {arXiv preprint arXiv:2006.12504},
year = {2021}
}
备注
7+47 pages, 2+36 figures, accepted by Phys. Rev. Lett