LITMUS: Bayesian Lag Recovery in Reverberation Mapping with Fast Differentiable Models

Resumen Técnico: LITMUS: Recuperación Bayesiana de Retrasos en Mapeo de Reverberación con Modelos Diferenciables Rápidos

Enunciado del Problema
El mapeo de reverberación (RM) es una técnica principal para estimar las masas de los agujeros negros supermasivos en los núcleos galácticos activos (AGN) y restringir la escala física de la región de líneas anchas (BLR). Sin embargo, las campañas modernas de RM a gran escala (por ejemplo, OzDES, SDSS) enfrentan un desafío persistente conocido como "aliasing". Este fenómeno surge de la combinación de brechas estacionales en las observaciones (típicamente seis meses) y la naturaleza estocástica de la variabilidad de los AGN. El aliasing se manifiesta como distribuciones posteriores multimodales donde aparecen picos de retraso espurios en intervalos que corresponden a las brechas estacionales (por ejemplo, ~180 días, ~540 días).

Los métodos actuales de vanguardia, particularmente el ampliamente utilizado JAVELIN, dependen de Muestreadores de Ensamble Invariantes Afines (AIES) para explorar la distribución posterior. Los autores argumentan que AIES es inadecuado para la geometría multimodal y "áspera" de las posteriores de RM. En consecuencia, los muestreadores a menudo quedan "atrapados" en modos de aliasing, sobremuestreándolos y creando picos falsos que parecen estadísticamente significativos. Los enfoques tradicionales para mitigar esto implican cortes de calidad frecuentistas (por ejemplo, rechazar retrasos negativos o reducir el peso de los picos de aliasing), lo que a menudo descarta una gran fracción de datos válidos (hasta el 90% en algunos regímenes estrictos) para garantizar la pureza.

Metodología
El artículo introduce LITMUS (Inferencia de Retraso a través del Uso Mixto de Muestreadores), una nueva herramienta de recuperación bayesiana de retrasos basada en el modelo de "caminata aleatoria amortiguada" (DRW) de la variabilidad de los cuásares e implementada dentro del marco de diferenciación automática JAX.

La innovación metodológica central es el algoritmo de Cuartación de Laplace, diseñado para navegar el complejo paisaje posterior sin los fallos de mezcla del MCMC:

1. Exploración Basada en Rejilla: En lugar de muestrear todo el espacio de parámetros simultáneamente, LITMUS coloca una rejilla de retrasos de prueba ($\Delta t_i$) a lo largo del eje de retrasos.
2. Optimización Condicional: En cada retraso de prueba, todos los demás parámetros no relacionados con el retraso (por ejemplo, la escala de tiempo DRW $\tau$, amplitudes) se optimizan para encontrar la estimación condicional de máxima a posteriori (MAP).
3. Aproximación de Laplace: La distribución posterior alrededor de estos óptimos condicionales se aproxima como una gaussiana multivariada utilizando la matriz Hessiana de la densidad logarítmica (calculada mediante autodiff de JAX).
4. Integración de Evidencia: La evidencia del modelo (verosimilitud marginal) para cada "rebanada" se calcula analíticamente utilizando la aproximación gaussiana. Estas rebanadas se integran luego a lo largo del eje de retrasos (utilizando las reglas de Simpson o Trapecio) para calcular la evidencia bayesiana total.

LITMUS también incluye:

• Cuartación SVI: Una variación que utiliza Inferencia Variacional Estocástica para ajustar las rebanadas gaussianas, ofreciendo robustez frente a posteriores no gaussianas donde la aproximación de Laplace podría fallar.
• Muestreo Anidado: Una interfaz con JAXNS para convergencia incondicional.
• Comparación de Modelos Bayesianos: El marco calcula explícitamente las evidencias bayesianas para probar hipótesis nulas (por ejemplo, "¿Existe un retraso?" frente a "¿Es la respuesta simplemente ruido no correlacionado?").

Contribuciones Clave

• Cambio Algorítmico: Reemplaza el muestreo basado en MCMC (específicamente AIES) con un enfoque de optimización basada en rejilla y aproximación de Laplace, que los autores demuestran es mucho más efectivo para navegar los picos de aliasing multimodales.
• Evidencia Bayesiana para Prueba de Hipótesis Nulas: Proporciona una alternativa rigurosa y cuantificada a los cortes de selección posteriores al ajuste. Al calcular el Factor Bayesiano entre un modelo "con retraso" y un modelo "sin retraso" (o desacoplado), LITMUS puede distinguir estadísticamente los retrasos reales de los artefactos espurios de aliasing.
• Modularidad y Velocidad: Construido sobre JAX y numpyro, LITMUS ofrece un marco flexible para extender modelos estadísticos (por ejemplo, añadiendo funciones de transferencia o parámetros físicos) y logra velocidades computacionales comparables o superiores a las herramientas existentes, superando al muestreo anidado en un orden de magnitud en coste.
• Implementación de Métodos Estándar: Incluye implementaciones aceleradas por JAX de la Función de Correlación Cruzada Interpolada (ICCF) y del muestreo anidado para comparación directa.

Resultados
Los autores probaron LITMUS en curvas de luz simuladas modeladas a partir de la muestra OzDES, comparándolo con JAVELIN (usando AIES) y PyCCF (ICCF).

• Tasa de Falsos Positivos (FPR): En conjuntos simulados con retrasos reales, los métodos de cuartación de Laplace y SVI de LITMUS lograron un FPR previo al corte de < 5%, mientras que los métodos basados en AIES tipo JAVELIN y ICCF exhibieron FPRs del 40–66%.
• Capacidad de Filtrado: Al aplicar un corte de evidencia bayesiana (requiriendo un Factor Bayesiano > 10 a favor de un retraso), LITMUS retuvo la gran mayoría de las recuperaciones verdaderas (>80–95%) mientras reducía el FPR a < 1.5%. Por el contrario, JAVELIN e ICCF requirieron descartar una fracción mucho mayor de la muestra para lograr una pureza similar, e incluso entonces, retuvieron significativamente más retrasos espurios.
• Simulaciones Desacopladas: En conjuntos simulados que no contenían ningún retraso real (señales desacopladas), LITMUS identificó y rechazó con éxito ~98–99% de los falsos positivos utilizando el Factor Bayesiano, mientras que JAVELIN e ICCF retuvieron ~10 veces más fuentes espurias.
• Eficiencia Computacional: Se encontró que la Cuartación de Laplace de LITMUS es un orden de magnitud más rápida que el muestreo anidado, proporcionando al mismo tiempo una precisión comparable en la recuperación de retrasos.

Significado y Afirmaciones
El artículo afirma que el problema del aliasing en RM es en gran medida un artefacto numérico resultante de la elección del método de muestreo (AIES) y no una limitación inherente del modelo estadístico o de los datos en sí mismos. Al emplear la Cuartación de Laplace, LITMUS proporciona una recuperación "correcta en modo" de la posterior, resolviendo efectivamente los picos de aliasing que afligen a los métodos actuales.

Los autores afirman que LITMUS permite la recuperación de más retrasos con mayor precisión y significativamente menos falsos positivos que las herramientas existentes. Crucialmente, permite la aplicación de una comparación rigurosa de modelos bayesianos para filtrar datos, recuperando potencialmente una fracción mayor de los conjuntos de datos existentes de OzDES y SDSS que previamente se descartaron debido a cortes de calidad estrictos. El artículo posiciona a LITMUS no solo como una herramienta más rápida, sino como un marco estadísticamente robusto que puede expandir el espacio de parámetros de los estudios de RM, permitiendo la prueba de modelos físicos más complejos (por ejemplo, retrasos variables en el tiempo o geometría de la BLR) sin el riesgo de falsos positivos inducidos por el aliasing.