Exposure-averaged Gaussian Processes for Combining Overlapping Datasets

Technische Zusammenfassung: Expositionsgemittelte Gaußsche Prozesse zur Kombination überlappender Datensätze

Problemstellung
Gaußsche Prozesse (GPs) werden weit verbreitet eingesetzt, um stellare Variabilität zu modellieren, wobei physikalisch motivierte Kernel wie gedämpfte, angetriebene einfache harmonische Oszillatoren (SHOs) verwendet werden, um Granulation und p-Modus-Oszillationen darzustellen. Diese Standard-Kernel quantifizieren die instantane Kovarianz zwischen zwei Zeitpunkten. Diese Formulierung geht jedoch davon aus, dass Beobachtungen instantane Stichproben eines latenten Signals sind. In der Realität arbeiten viele moderne Spektrografen für extrem präzise Radialgeschwindigkeiten (EPRV), insbesondere solche mit Sonnenzuführungen (z. B. HARPS, HARPS-N, EXPRES, NEID, KPF), mit Belichtungszeiten, die mit den Zeitskalen der zu messenden stellaren Variabilität vergleichbar sind (Minuten bis Stunden).

Wenn Belichtungszeiten signifikant sind, ist das beobachtete Signal eine expositionsgemittelte (gebinnte) Version des wahren latenten Signals und kein instantaner Punkt. Das naive Kombinieren von Datensätzen mehrerer Instrumente mit unterschiedlichen Belichtungszeiten unter Verwendung von Standard-Instantan-Kerneln führt zu spuriosen Signalen. Das Modell scheitert daran, eng beieinander liegende Beobachtungen in Einklang zu bringen, die allein aufgrund ihrer unterschiedlichen Integrationszeiten reale Radialgeschwindigkeits-(RV-)Unterschiede aufweisen. Frühere Versuche, solche Daten zu kombinieren, umfassten das Binning aller Beobachtungen auf eine gemeinsame, grobe Zeitskala oder die Interpolation zwischen Datensätzen; beides verwirft hochfrequente Informationen (wie p-Modus-Oszillationen) oder beruht auf nicht-physischen Interpolationsschemata.

Methodik
Die Autoren stellen ein GP-Framework vor, das finite Belichtungszeiten explizit berücksichtigt, indem integrierte Formen der Instantan-Kernel berechnet werden. Die Methodik basiert auf drei Kernkomponenten:

1. Kernel-Integrations-Framework: Die Autoren leiten analytische Ausdrücke für die Kovarianz zwischen folgenden Größen ab:

   • Zwei gebinnten Beobachtungen (doppelte Integration des latenten Kernels).
   • Einer gebinnten Beobachtung und einem latenten instantanen Punkt (einfache Integration).
   • Zwei latenten instantanen Punkten (der Standard-Kernel).
     Für stationäre Kernel zeigen die Autoren, dass jedes komplexe Überlappungsszenario (teilweise oder vollständig) in Summen von „perfekt überlappenden" und „vollständig getrennten" Teilbelichtungen zerlegt werden kann. Dies ermöglicht die Auswertung der Kovarianzmatrix für beliebige Belichtungsdauern ($\delta$) und Zeitabstände ($\Delta$).

2. Analytische Lösungen für SHO-Kernel: Die Arbeit liefert spezifische analytische Ausdrücke für die Integration des stochastisch angetriebenen, gedämpften SHO-Kernels (häufig verwendet für Granulation und Oszillationen). Dies umfasst Hilfsfunktionen ($I_{SHO}$) zur Auswertung der Integrale für sowohl einfache als auch doppelte Integrationsfälle unter Berücksichtigung der Vorzeichenwechsel in der Zeitdifferenz $|t - t'|$, die innerhalb überlappender Belichtungen auftreten.

3. Multi-Komponenten- und Multi-Instrumenten-Zerlegung:

   • Komponenten-Zerlegung: Das Framework erstreckt sich auf Multi-Komponenten-GP-Modelle (z. B. Summe aus Granulations-, Oszillations- und Rotations-Kerneln). Die Autoren erläutern die für die Konditionierung des vollständigen Modells auf Daten und die anschließende Extraktion des prädiktiven Mittels für einzelne latente Komponenten erforderliche lineare Algebra.
   • Instrumentelle Drifts: Um überlappende Datensätze mehrerer Instrumente zu handhaben, behandelt das Modell die Drift jedes Instruments als eine unabhängige GP-Komponente, die zu einem gemeinsamen latenten Sternsignal addiert wird. Dies wird über einen multivariaten GP implementiert, bei dem der Kernel für instrumentelle Drifts durch ein Kronecker-Delta maskiert ist, wodurch Drift-Kovarianzen nur zwischen Beobachtungen desselben Spektrografen existieren. Dies ermöglicht die Trennung von „stellaarer" Variabilität und „instrumentellen" Drifts, ohne eine spezifische funktionale Form für die Drift vorzugeben.

Hauptergebnisse
Das Framework wurde durch zwei primäre Anwendungen validiert:

1. Simulierte Daten: Die Autoren simulierten solare RV-Daten, die vier Instrumente (KPF, NEID, EXPRES, HARPS-N) mit Belichtungszeiten von 12 bis 300 Sekunden nachbilden.

   • Berücksichtigung der Belichtung: Modelle, die Belichtungszeiten ignorierten, lieferten fehlerhafte prädiktive Mittelwerte, insbesondere beim Versuch, eng beieinander liegende Beobachtungen mit unterschiedlichen Belichtungsdauern anzupassen. Das belichtungsbewusste Modell sagte das latente Signal korrekt voraus, sodass das prädiktive Mittel extremer sein konnte als die gebinnten Beobachtungen (z. B. Durchlaufen von Extrema, die durch lange Belichtungen geglättet wurden).
   • Drift-Wiederherstellung: Wenn synthetische instrumentelle Drifts injiziert wurden, erholte das Modell die relativen Drifts zwischen Instrumentenpaaren mit hoher Präzision (RMS < 1,5 cm s$^{-1}$). Die absoluten Drifts einzelner Instrumente erwiesen sich jedoch als hochgradig degeneriert (oft antikorreliert), da das Modell ohne zusätzliche Einschränkungen nicht eindeutig unterscheiden kann, welches Instrument driftet.

2. Reale Solardaten:

   • KPF & NEID (Einzelner Tag): Auf überlappende Daten vom 19. April 2024 angewendet, trennte das Modell erfolgreich das Sternsignal von instrumentellen Drifts. Es identifizierte eine glatte Drift von KPF relativ zu NEID, die mit bekannten Betriebsereignissen (Füllungen mit flüssigem Stickstoff) korrelierte.
   • Extreme Stellar Signals Project (ESSP): Auf einen 28-Tage-Datensatz angewendet, der HARPS, HARPS-N, EXPRES und NEID kombiniert (11.165 Beobachtungen), konditionierte das Modell erfolgreich auf die Daten, um stellare Komponenten (Oszillationen, Granulation, Supergranulation und Rotation) zu isolieren und instrumentenspezifische Drifts zu korrigieren. Aufgrund der Rechenkosten ($O(N^3)$-Skalierung) wurde für diesen großen Datensatz keine Hyperparameter-Anpassung durchgeführt; stattdessen wurden feste Hyperparameter verwendet, um die Fähigkeit des Frameworks zu demonstrieren, die Feinheiten der Kombination unterschiedlicher Datensätze zu bewältigen.

Bedeutung und Behauptungen
Die Autoren behaupten, dass dieses Framework für die Analyse moderner EPRV-Datensätze unerlässlich ist, insbesondere für solche mit Sonnenzuführungen, bei denen die Belichtungszeiten zwischen Instrumenten stark variieren. Durch die korrekte Integration der Kernel bewahrt die Methode:

• Hochfrequente Informationen (p-Moden, Granulation), die verloren gehen, wenn Daten auf eine gemeinsame grobe Zeitskala gebinnt werden.
• Sie verhindert spuriose Signale, die aus der Diskrepanz der Belichtungszeiten in überlappenden Beobachtungen entstehen.
• Sie ermöglicht die Zerlegung komplexer, multi-instrumenteller Datensätze in distincte stellare und instrumentelle Komponenten, insbesondere die Isolierung von „paarweisen relativen Drifts", die robust eingeschränkt sind.

Die Autoren weisen darauf hin, dass die aktuelle Implementierung aufgrund der Nicht-Stationarität der integrierten Kernel (die sowohl vom Zeitabstand als auch von den individuellen Belichtungszeiten abhängen) Skalierungsbeschränkungen für sehr große Datensätze ($N > 3000$) aufweist. Das Framework bietet jedoch eine rigorose statistische Grundlage. Sie schlagen vor, dass zukünftige Arbeiten, die State-Space-Modelle (Kalman-Filter) nutzen, diese Skalierungsprobleme adressieren werden, was eine robuste Modellierung stellarer Variabilität und instrumenteller Drifts über längere Zeitskalen ermöglicht. Die Arbeit schließt, dass dieser Ansatz am vorteilhaftesten für hochfrequente Datensätze ist, die zur Untersuchung stellarer Variabilität konzipiert sind, und nicht für Standard-Survey-Daten zur Planetensuche, bei denen die Belichtungszeiten im Verhältnis zu den Variabilitätszeitskalen vernachlässigbar sind.