Optimizing Optical Searches for Supermassive Black Hole Binaries in AGN Light Curves: Fourier versus Bayesian Periodicity Detection

Resumen Técnico: Optimización de Búsquedas Ópticas de Binarias de Agujeros Negros Supermasivos en Curvas de Luz de AGN

Planteamiento del Problema
La detección de Binarias de Agujeros Negros Supermasivos (SMBHBs, por sus siglas en inglés) mediante observaciones electromagnéticas (EM) depende de la identificación de variaciones periódicas de brillo en las curvas de luz de Núcleos Galácticos Activos (AGN). Se hipotetiza que estas variaciones surgen del efecto Doppler relativista (RDB) y de las interacciones entre los discos circumbinarios y los minidiscos. Sin embargo, la variabilidad intrínseca de los AGN, modelada como un Paseo Aleatorio Amortiguado (DRW), crea un fondo estocástico de "ruido rojo" que imita la periodicidad. Este desafío se ve exacerbado por el muestreo disperso y las líneas de base observacionales cortas de los actuales y próximos sondeos (Catalina Real-Time Transient Survey [CRTS], Zwicky Transient Facility [ZTF] y el próximo Legacy Survey of Space and Time [LSST]). La dificultad principal radica en distinguir las señales binarias genuinas de las fluctuaciones de solo tipo DRW, minimizando las Tasas de Falsos Positivos (FPR) sin sacrificar las Tasas de Verdaderos Positivos (TPR).

Metodología
Los autores simulan una población de curvas de luz de AGN que representan las propiedades observacionales de CRTS, ZTF y LSST. Las simulaciones combinan un proceso DRW (para modelar la variabilidad estocástica) con una señal sinusoidal inyectada (para modelar el movimiento orbital de la SMBHB). El estudio evalúa tres métodos distintos de detección de periodicidad:

1. Muestreador Bayesiano Anidado (NBS): Utiliza el paquete Ultranest para realizar la selección de modelos bayesianos entre un modelo de solo DRW y un modelo combinado de DRW+Sinusoide. La preferencia del modelo se determina mediante el Criterio de Información Bayesiano ($\Delta$BIC).
2. Periodograma de Lomb-Scargle Generalizado (GLSP): Implementado a través de PyAstronomy, este método basado en Fourier detecta periodicidad en datos con muestreo irregular. La selección del modelo se basa en cálculos de Probabilidad de Alarma Falsa (FAP), incluyendo variaciones de Gauss ($FAP_{Gauss}$), bootstrap global ($FAP_{global}$) y bootstrap local ($FAP_{local}$).
3. Transformada de Wavelet Ponderada (WWZ): Implementado mediante el paquete wwz, este método utiliza wavelets localizadas para detectar señales periódicas evolutivas. La selección del modelo utiliza varias definiciones de FAP ($FAP_{local-local}$, $FAP_{local-avg}$, $FAP_{avg-local}$) basadas en simulaciones de bootstrap contra un fondo DRW.

Para abordar la carga computacional de LSST (proyectada en $\sim10^7$ curvas de luz), los autores proponen un "procedimiento de base de datos" para un triaje rápido. En lugar de generar distribuciones de bootstrap únicas para cada candidato, pre-calculan distribuciones de periodogramas para dos "ventanas representativas" del sondeo LSST y utilizan estas para estimar las FAPs de todos los candidatos.

Resultos Clave

• Desempeño de los Métodos: El NBS ($\Delta$BIC) es identificado como el clasificador más robusto, produciendo las muestras más "completas" (alta Tasa de Verdaderos Positivos Genuinos, TPR(P)) con mínimos falsos positivos. Entre los métodos de Fourier, el GLSP con FAP de bootstrap local ($FAP_{local}$) ofrece el mejor equilibrio entre completitud y baja FPR, mientras que el $FAP_{Gauss}$ es computacionalmente eficiente pero menos preciso para el ruido rojo. El WWZ funciona bien para periodos medios a largos, pero tiene dificultades con señales de periodos cortos debido a los artefactos de muestreo disperso.
• Dependencia de Parámetros: El éxito de la detección para todos los métodos está positivamente correlacionado con la amplitud sinusoidal inyectada ($A_{in}$) y negativamente correlacionado con la amplitud de variabilidad del DRW ($\sigma_{in}$). Todos los métodos muestran una sensibilidad reducida a medida que el periodo inyectado se acerca a la línea de base observacional ($T_{obs}$), aunque el NBS puede detectar señales con menos de dos ciclos completos.
• Selección de Modelo Conjunta: La combinación de la selección de modelos NBS y GLSP reduce significativamente las FPRs (en más de un orden de magnitud) con un impacto marginal en la TPR(P). Añadir la selección de WWZ reduce aún más la FPR, pero a costa de una TPR(P) significativamente menor.
• Triaje de LSST: El clasificador basado en bases de datos $FAP_{Dlocal}$ permite un triaje rápido de los datos de LSST. Utilizando umbrales estrictos, este método logra una TPR de $\sim40\%$ y una FPR de $\sim0.5\%$ con un costo computacional mínimo (procesando $\sim10^7$ curvas de luz en $\sim10-30$ horas).
• Falsos Positivos: Las curvas de luz de solo tipo DRW que pasan todos los criterios de selección tienden a exhibir variaciones estocásticas de alta amplitud que imitan la periodicidad. Estos falsos positivos "convincentes" suelen arrojar periodos y amplitudes bajos, lo que sugiere que la combinación de la selección NBS y GLSP filtra eficazmente estos casos.

Significancia y Reivindicaciones
El artículo afirma proporcionar un pipeline robusto para el lado EM de un esfuerzo de detección conjunta de EM + Ondas Gravitatorias (GW) de SMBHB. Sus principales contribuciones son:

1. Validación de una Estrategia de Búsqueda Escalonada: Los autores recomiendan un flujo de trabajo donde los grandes conjuntos de datos se trian primero utilizando métodos de Fourier eficientes (GLSP) para filtrar la mayoría de las fuentes no periódicas, seguido de un análisis bayesiano riguroso (NBS) en los candidatos restantes.
2. Escalabilidad para LSST: El procedimiento basado en bases de datos para el cálculo de FAP ofrece una vía computacionalmente factible para analizar el enorme volumen de datos de LSST, permitiendo la identificación de candidatas raras a SMBHB dentro de un tiempo realista.
3. Contexto Multimensajero: El estudio posiciona estos métodos de detección EM como complementarios a las búsquedas de GW mediante Temporización de Pulsares (PTA). Al identificar candidatas EM con alta confianza, el pipeline facilita el seguimiento de GW dirigido y la estimación conjunta de parámetros, permitiendo posiblemente restringir las masas de chirrido (chirp masses) de las SMBHB y los parámetros de la fuente de manera más precisa que los métodos de GW o EM por separado.

Los autores concluyen que, si bien ningún método es perfecto, la combinación de la selección de modelos NBS y GLSP ofrece el compromiso óptimo para identificar candidatas genuinas a SMBHB en la era de los sondeos fotométricos a gran escala.