Probing evolution of Long GRB properties through their cosmic formation history aided by Machine Learning predicted redshifts

Resumen Técnico: Sondeo de la Evolución de las Propiedades de los GRB Largos a Través de su Historia de Formación Cósmica Ayudado por Corrimientos al Rojo Predichos por Aprendizaje Automático

Declaración del Problema
Las Explosiones de Rayos Gamma (GRB) sirven como sondas críticas para la historia de formación estelar cósmica (SFRH) que se remonta a la época de la reionización. Sin embargo, una limitación significativa en los estudios actuales es que aproximadamente el 80% de los GRB carecen de corrimientos al rojo ($z$) medidos, ya que la determinación espectroscópica o fotométrica requiere un seguimiento rápido de la emisión del resplandor, lo cual a menudo es inalcanzable. Los métodos existentes para estimar corrimientos al rojo utilizando correlaciones internas de los GRB sufren de argumentos de circularidad (asumiendo una cosmología para derivar la correlación y luego utilizándola para encontrar $z$) e incertidumbres sistemáticas. En consecuencia, los conjuntos de datos utilizados para derivar la Densidad de Tasa de GRB Largos (LGRB-RD) son pequeños y potencialmente sesgados, lo que dificulta una comprensión clara de la evolución de los GRB y su relación con la Densidad de Tasa de Formación Estelar (SFRD).

Metodología
Este estudio utiliza una muestra de GRB Largos (LGRBs) con corrimientos al rojo predichos por modelos de Aprendizaje Automático (ML), entrenados en parámetros de emisión inmediata y de resplandor en rayos X (específicamente correlaciones de mesetas en rayos X) sin depender de suposiciones cosmológicas. El análisis procede a través de los siguientes pasos:

1. Selección de Datos: Los autores construyen dos conjuntos de datos:

   • Muestra Predicha (PS): 228 LGRBs con mesetas en rayos X pero sin corrimientos al rojo observados, donde $z$ fue predicho utilizando el modelo de ML de Narendra et al. (2025) (N25). Se eliminaron valores atípicos con errores altos en el corrimiento al rojo o en la luminosidad.
   • Muestra Combinada (CS): 446 LGRBs que comprenden la PS más 218 LGRBs con corrimientos al rojo espectroscópicos conocidos y mesetas en rayos X (la "Muestra Observada" u OS).
   • Cortes: Ambas muestras fueron filtradas para eliminar GRB por debajo del umbral de luminosidad del instrumento (determinado mediante pruebas de Kolmogorov-Smirnov) y el GRB 060614 (un GRB largo de origen por fusión).

2. Cálculo de la Densidad de Tasa:

   • Los autores aplican el método Efron-Petrosian (EP) para corregir los efectos de selección y derivar la distribución acumulada de la densidad de tasa ($\sigma$).
   • Para tener en cuenta una posible evolución en las propiedades de los GRB (por ejemplo, luminosidad), se aplica un factor de corrección $L' = L/(1+z)^k$. El parámetro $k$ se determina encontrando el valor donde la estadística de Kendall-$\tau$ es cero, asegurando la independencia entre luminosidad y corrimiento al rojo.
   • La LGRB-RD ($\rho$) se calcula diferenciando la distribución acumulada y escalando por factores que tienen en cuenta la sensibilidad del instrumento, el campo de visión, el tiempo de funcionamiento y el número total de GRB detectados.

3. Comparación Teórica:

   • Se construye una densidad de tasa teórica ($\rho_{theor}$) escalando la SFRD (Madau & Dickinson 2014) mediante factores de conversión (fracción de colapsar, tipos de supernova, chorro) y un término evolutivo $(1+z)^\delta$.
   • El estudio prueba tres escenarios evolutivos: sin evolución ($\delta=0$), evolución del chorro ($\delta=1.6$) y un término de evolución general donde $\delta$ varía entre -4 y 4.

Resultados Clave

• Significancia de la Evolución: El análisis revela evidencia significativa de evolución en las propiedades de los GRB. Los valores de $k$ de mejor ajuste son $2.2^{+0.8}_{-0.7}$ para la Muestra Predicha (PS) y $2.5^{+0.4}_{-0.4}$ para la Muestra Combinada (CS), correspondiendo a significancias de $\sim3\sigma$ y $\sim6\sigma$ respectivamente, en relación con el caso sin evolución ($k=0$).
• Tendencias de la Densidad de Tasa:
  • Las densidades de tasa para ambas muestras alcanzan su máximo en el rango de corrimiento al rojo de $z \sim 1-2$.
  • La PS alcanza su máximo a un corrimiento al rojo más alto que la CS, atribuido al sesgo del modelo de ML hacia la media de la distribución de entrenamiento, el cual fue posteriormente corregido.
  • Se observa un exceso (repunte) a bajo corrimiento al rojo ($z < 1$) en la CS, que los autores atribuyen a posibles contribuciones de fusiones, GRB de baja luminosidad (LLGRBs) o artefactos de ajuste.
• Modelos Evolutivos:
  • Ningún modelo evolutivo único (ley de potencia en $1+z$) explica con éxito la densidad de tasa en todo el rango de corrimientos al rojo para ninguna de las muestras.
  • Aunque valores específicos de $\delta$ pueden coincidir con los extremos de bajo $z$ o alto $z$ de los datos, ninguno captura la distribución completa. Para la CS, $\delta = -0.3$ ajusta la tendencia de bajo $z$, mientras que $\delta = -0.9$ ajusta el pico y el extremo de alto $z$.
  • El pico de la densidad de tasa de la CS ocurre en $z \sim 1.6$ (tiempo de retroceso $\sim 9.5$ Gyr), mientras que la SFRD de MD14 alcanza su máximo en $z \sim 1.9$ (tiempo de retroceso $\sim 10.1$ Gyr). Los autores señalan que esta discrepancia está dentro de los márgenes de error, pero sugiere influencias potenciales de interacciones binarias que extienden la vida útil de los progenitores.

Significancia y Afirmaciones
El artículo afirma que la integración de corrimientos al rojo predichos por ML es un "paso crucial hacia adelante" en la expansión del conjunto de datos disponible para estudiar la evolución de los GRB. Al aumentar el tamaño de la muestra, los autores demuestran que:

1. Problemas de Homogeneidad de la Muestra: La incapacidad de los términos de evolución de ley de potencia simples para explicar la densidad de tasa en todos los corrimientos al rojo sugiere un término evolutivo más complejo o una no homogeneidad de la muestra (por ejemplo, una mezcla de GRB de origen colapsar y de fusión dentro de la clasificación de GRB largos).
2. Rastreo de la SFRD: Aunque los LGRBs generalmente rastrean la SFRD hasta $z \sim 6$, la evolución específica de sus propiedades (chorro, metalicidad, tipo de progenitor) introduce desviaciones que una escala simple no puede resolver completamente.
3. Direcciones Futuras: Los autores enfatizan que el análisis actual de ML es el más preciso hasta la fecha, pero que las mejoras futuras requieren combinar muestras de mesetas ópticas y en rayos X para el entrenamiento y utilizar datos de misiones próximas (SVOM, Rubin, THESEUS, Hi-Z GUNDAM) para aumentar la muestra de corrimientos al rojo conocidos. Advierten que la combinación de muestras multiespectrales requiere precaución debido a posibles diferencias en los sitios de emisión y efectos de extinción por polvo.

El estudio concluye que, si bien las densidades de tasa derivadas son fiables en el rango de corrimiento al rojo medio, las discrepancias en los corrimientos al rojo bajo y alto destacan la necesidad de una mayor investigación sobre la diversidad de progenitores y los orígenes físicos de las características observadas en la densidad de tasa.