Exposure-averaged Gaussian Processes for Combining Overlapping Datasets

Resumen Técnico: Procesos Gaussianos Promediados por Exposición para Combinar Conjuntos de Datos Superpuestos

Enunciado del Problema
Los procesos gaussianos (PG) se utilizan ampliamente para modelar la variabilidad estelar, empleando núcleos motivados físicamente, como osciladores armónicos simples (OAS) amortiguados y forzados, para representar la granulación y las oscilaciones de modo p. Estos núcleos estándar cuantifican la covarianza instantánea entre dos puntos en el tiempo. Sin embargo, esta formulación asume que las observaciones son muestras instantáneas de una señal latente. En realidad, muchos espectrógrafos modernos de Velocidad Radial de Alta Precisión Extrema (EPRV), particularmente aquellos con alimentación solar (por ejemplo, HARPS, HARPS-N, EXPRES, NEID, KPF), operan con tiempos de exposición comparables a las escalas temporales de la variabilidad estelar que buscan medir (de minutos a horas).

Cuando los tiempos de exposición son significativos, la señal observada es una versión promediada por exposición (agrupada) de la señal latente verdadera, no un punto instantáneo. Combinar ingenuamente conjuntos de datos de múltiples instrumentos con diferentes tiempos de exposición utilizando núcleos instantáneos estándar conduce a señales espurias. El modelo falla al reconciliar observaciones muy cercanas que exhiben diferencias reales de velocidad radial (VR) únicamente debido a sus diferentes tiempos de integración. Los intentos previos de combinar tales datos implicaron agrupar todas las observaciones en una escala temporal común y gruesa o interpolar entre conjuntos de datos, ambos métodos que descartan información de alta frecuencia (como las oscilaciones de modo p) o dependen de esquemas de interpolación no físicos.

Metodología
Los autores presentan un marco de PG que tiene en cuenta explícitamente los tiempos de exposición finitos mediante el cálculo de formas integradas de los núcleos instantáneos. La metodología se basa en tres componentes principales:

1. Marco de Integración de Núcleos: Los autores derivan expresiones analíticas para la covarianza entre:

   • Dos observaciones agrupadas (doble integración del núcleo latente).
   • Una observación agrupada y un punto instantáneo latente (integración simple).
   • Dos puntos instantáneos latentes (el núcleo estándar).
     Para núcleos estacionarios, los autores demuestran que cualquier escenario complejo de superposición (parcial o completa) puede descomponerse en sumas de sub-exposiciones "perfectamente superpuestas" y "completamente separadas". Esto permite evaluar la matriz de covarianza para duraciones de exposición arbitrarias ($\delta$) y separaciones temporales ($\Delta$).

2. Soluciones Analíticas para Núcleos OAS: El artículo proporciona expresiones analíticas específicas para integrar el núcleo OAS amortiguado y estocásticamente forzado (comúnmente utilizado para granulación y oscilaciones). Esto incluye funciones auxiliares ($I_{SHO}$) para evaluar las integrales tanto para casos de integración simple como doble, manejando los cambios de signo en la diferencia de tiempo $|t - t'|$ que ocurren dentro de exposiciones superpuestas.

3. Descomposición Multi-Componente y Multi-Instrumento:

   • Descomposición de Componentes: El marco se extiende a modelos de PG multi-componente (por ejemplo, suma de núcleos de granulación, oscilación y rotación). Los autores detallan el álgebra lineal requerida para condicionar el modelo completo a los datos y, posteriormente, extraer la media predictiva para los componentes latentes individuales.
   • Derivas Instrumentales: Para manejar conjuntos de datos superpuestos de múltiples instrumentos, el modelo trata la deriva de cada instrumento como un componente de PG independiente añadido a una señal estelar latente común. Esto se implementa mediante un PG multivariado donde el núcleo para las derivas instrumentales se enmascara mediante un delta de Kronecker, asegurando que las covarianzas de deriva solo existan entre observaciones del mismo espectrógrafo. Esto permite separar la variabilidad "estelar" de las derivas "instrumentales" sin prescribir una forma funcional específica para la deriva.

Resultados Clave
El marco se validó a través de dos aplicaciones principales:

1. Datos Simulados: Los autores simularon datos de VR solar imitando cuatro instrumentos (KPF, NEID, EXPRES, HARPS-N) con tiempos de exposición que oscilaban entre 12 y 300 segundos.

   • Contabilización de Exposición: Los modelos que ignoraron los tiempos de exposición produjeron medias predictivas erróneas, fallando particularmente al ajustar observaciones muy cercanas con diferentes duraciones de exposición. El modelo consciente de la exposición predijo correctamente la señal latente, permitiendo que la media predictiva fuera más extrema que las observaciones agrupadas (por ejemplo, pasando por extremos que fueron suavizados por exposiciones largas).
   • Recuperación de Derivas: Cuando se inyectaron derivas instrumentales sintéticas, el modelo recuperó con éxito las derivas relativas entre pares de instrumentos con alta precisión (RMS < 1.5 cm s$^{-1}$). Sin embargo, las derivas absolutas de los instrumentos individuales resultaron ser altamente degeneradas (a menudo anti-correlacionadas), ya que el modelo no puede distinguir de manera única qué instrumento está derivando sin restricciones adicionales.

2. Datos Solares Reales:

   • KPF y NEID (Día Único): Aplicado a datos superpuestos del 19 de abril de 2024, el modelo separó con éxito la señal estelar de las derivas instrumentales. Identificó una deriva suave en KPF relativa a NEID, correlacionada con eventos operativos conocidos (llenados de nitrógeno líquido).
   • Proyecto de Señales Estelares Extremas (ESSP): Aplicado a un conjunto de datos de 28 días que combina HARPS, HARPS-N, EXPRES y NEID (11.165 observaciones). El modelo condicionó con éxito los datos para aislar componentes estelares (oscilaciones, granulación, supergranulación y rotación) mientras corregía las derivas específicas de cada instrumento. Debido al costo computacional (escalamiento $O(N^3)$), no se realizó un ajuste de hiperparámetros para este gran conjunto de datos; en su lugar, se utilizaron hiperparámetros fijos para demostrar la capacidad del marco para manejar las complejidades de combinar conjuntos de datos dispares.

Significado y Afirmaciones
El artículo afirma que este marco es esencial para el análisis de conjuntos de datos EPRV modernos, particularmente aquellos que involucran alimentaciones solares donde los tiempos de exposición varían significativamente entre instrumentos. Al integrar adecuadamente los núcleos, el método:

• Preserva la información de alta frecuencia (modos p, granulación) que se pierde cuando los datos se agrupan en una escala temporal común y gruesa.
• Previene señales espurias que surgen de la discrepancia de tiempos de exposición en observaciones superpuestas.
• Permite la descomposición de conjuntos de datos complejos y multi-instrumento en componentes estelares e instrumentales distintos, aislando específicamente las "derivas relativas por pares" que están robustamente restringidas.

Los autores señalan que, si bien la implementación actual enfrenta limitaciones de escalamiento para conjuntos de datos muy grandes ($N > 3000$) debido a la naturaleza no estacionaria de los núcleos integrados (que dependen tanto de la separación temporal como de los tiempos de exposición individuales), el marco proporciona una base estadística rigurosa. Sugieren que trabajos futuros que utilicen modelos de espacio de estado (filtros de Kalman) abordarán estos problemas de escalamiento, permitiendo un modelado robusto de la variabilidad estelar y las derivas instrumentales a lo largo de escalas temporales más largas. El artículo concluye que este enfoque es más beneficioso para conjuntos de datos de alta cadencia diseñados para estudiar la variabilidad estelar, en lugar de los datos estándar de caza de planetas con cadencia de sondeo donde los tiempos de exposición son despreciables en relación con las escalas temporales de la variabilidad.