Lomb-Scargle periodograms struggle with non-sinusoidal supermassive BH binary signatures in quasar lightcurves

Resumen Técnico: Los periodogramas de Lomb-Scargle presentan dificultades con las firmas no sinusoidales de binarias de agujeros negros supermasivos en curvas de luz de cuásares

Planteamiento del Problema
Se espera que las binarias de agujeros negros supermasivos (SMBHB), formadas tras la fusión de galaxias, exhiban una variabilidad electromagnética periódica debido a mecanismos como la acreción periódica, el efecto Doppler (Doppler boosting) y el auto-lente (self-lensing). Mientras que las simulaciones hidrodinámicas predicen que estas binarias producen formas de pulso complejas y no sinusoidales (por ejemplo, patrones de diente de sierra), las búsquedas observacionales previas de candidatos a SMBHB en curvas de luz de cuásares han dependido predominantemente de la detección de periodicidad sinusoidal. La herramienta estándar para estas búsquedas, el periodograma de Lomb-Scargle (LSP), está optimizada para señales sinusoidales y asume ruido blanco, mientras que la variabilidad de los cuásares se caracteriza por ruido rojo (variabilidad estocástica). Este artículo investiga la eficacia del LSP en la detección de periodicidades no sinusoidales, específicamente señales de diente de sierra, dentro de curvas de luz de cuásares realistas, cuestionando si las búsquedas previas han pasado por alto la mayoría de los sistemas binarios.

Metodología
Los autores llevaron a cabo un estudio de simulación exhaustivo para evaluar las tasas de recuperación de señales periódicas bajo diversas condiciones de muestreo.

• Muestra: El estudio utilizó un subconjunto de 12,400 cuásares del catálogo del Palomar Transient Factory (PTF) (analizados originalmente en Charisi et al. 2016), para los cuales estaban disponibles las masas de los agujeros negros supermasivos (SMBH) y sus magnitudes absolutas.
• Simulación de Curva de Luz: Para cada cuásar, se generaron seis curvas de luz simuladas combinando:
  1. Ruido Intrínseco: Modelado mediante un proceso de Caminata Aleatoria Amortiguada (DRW), con parámetros ($\sigma$ y $\tau$) estimados a través de relaciones de escalamiento empíricas basadas en la masa del SMBH y el desplazamiento al rojo (redshift).
  2. Señales Periódicas: Se inyectaron dos tipos: (a) sinusoidales y (b) de diente de sierra (ascenso abrupto asimétrico, descenso lineal), con amplitudes, periodos y fases extraídos de distribuciones uniformes.
  3. Escenarios de Observación: Se simularon tres patrones de muestreo distintos:
     • Idealizado: Muestreo diario con errores fotométricos gaussianos.
     • Tipo PTF: Submuestreo de las curvas idealizadas para coincidir con los tiempos de observación y las características de error reales del PTF.
     • Tipo LSST: Baselines de 10 años con cadencia de 5 días (perturbados por ruido gaussiano), brechas anuales y errores fotométricos correspondientes a magnitud 21.
• Pipeline de Detección: Se aplicó el periodograma de Lomb-Scargle generalizado para detectar la periodicidad. La significancia estadística se evaluó comparando las alturas de los picos observados contra una distribución nula generada a partir de 100,000 simulaciones de solo DRW por cada intervalo de frecuencia para dar cuenta del "efecto de búsqueda en múltiples pruebas" (look-elsewhere effect) y las propiedades del ruido rojo.

Resultados Clave
El estudio cuantificó la fracción de señales inyectadas recuperadas con éxito como estadísticamente significativas:

• Recuperación Sinusoidal: El LSP detectó solo una minoría de las señales sinusoidales, con tasas de recuperación de $\sim45\%$ para curvas de luz tipo PTF, $\sim24\%$ para curvas de luz idealizadas y $\sim23\%$ para curvas de luz tipo LSST.
• Recuperación de Diente de Sierra: La eficiencia de detección cayó drásticamente para las señales no sinusoidales. Las tasas de recuperación fueron de $\sim9\%$ para tipo PTF, $\sim1\%$ para idealizadas y $\sim1\%$ para tipo LSST.
• Precisión del Periodo: Para las señales detectadas, los periodos recuperados fueron generalmente precisos (dentro del 15% del valor inyectado) para las sinusoidales ($\sim97-99\%$), pero menos para las señales de diente de sierra ($\sim80-91\%$), debido en parte a los componentes de Fourier secundarios en el espectro de potencia de diente de sierra.
• Dependencia de Parámetros: Las tasas de recuperación aumentaron monótonamente con la relación señal-ruido (amplitud relativa al ruido DRW) y disminuyeron con la longitud del periodo. Las señales de diente de sierra de periodo largo ($>250$ días) fueron efectivamente indetectables en los escenarios idealizados y tipo LSST.
• Anomalía del PTF: De manera contraintuitiva, el muestreo disperso tipo PTF produjo tasas de recuperación más altas que los datos tipo LSST o idealizados, que poseen mayor calidad y baselines más largos. Los autores atribuyen esto a que el muestreo disperso se alinea ocasionalmente de forma fortuita con los extremos de las curvas de luz dominadas por el ruido rojo, permitiendo que un ajuste sinusoidal pase por los puntos de datos más fácilmente que en conjuntos de datos densamente muestreados y ricos en ruido.

Significancia y Conclusiones
El artículo concluye que el periodograma de Lomb-Scargle es un estadístico subóptimo para detectar SMBHBs en curvas de luz de cuásares, particularmente cuando la señal subyacente es no sinusoidal.

• Candidatos Perdidos: Las tasas de recuperación extremadamente bajas para las señales de diente de sierra ($\sim1-9\%$) implican que las búsquedas de periodicidad previas, incluyendo las de PTF, CRTS y ZTF, probablemente han perdido la gran mayoría de los candidatos a SMBHB si estos producen las formas de pulso complejas predichas por las simulaciones hidrodinámicas.
• Limitaciones de los Métodos Actuales: Incluso para las señales sinusoidales, el LSP no logra recuperar la mayoría de las periodicidades inyectadas debido al desajuste entre la suposición de ruido blanco del LSP y la naturaleza de ruido rojo de la variabilidad de los cuásares.
• Implicaciones para el LSST: A medida que el Legacy Survey of Space and Time (LSST) del Observatorio Rubin se prepara para proporcionar millones de curvas de luz de cuásares de alta calidad, los autores argumentan que confiar en las búsquedas estándar de LSP resultará en una muestra altamente incompleta de binarias.
• Direcciones Futuras: El artículo aboga por el desarrollo de herramientas avanzadas de detección de periodicidad que consideren explícitamente el ruido rojo (por ejemplo, usando factores de Bayes o filtrado adaptado/matched filtering) y utilicen plantillas que coincidan con las formas de pulso no sinusoidales para mejorar la sensibilidad de detección y reducir los falsos positivos en los próximos sondeos de dominio temporal.