DETECT: A Pipeline to Quantify Detection Thresholds in Rubin for Nearby Targets Embedded in Bright Host Galaxies

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: DETECT: Un Pipeline para Cuantificar los Umbrales de Detección en Rubin para Objetivos Cercanos Incrustados en Galaxias Brillantes

1. El Problema

El estudio de la variabilidad pre-supernova (pre-SN) es fundamental para comprender las etapas finales de la evolución estelar y la naturaleza de los progenitores de supernovas, especialmente aquellas con material circumestelar (CSM) denso. Sin embargo, la detección robusta de estas variaciones es extremadamente difícil cuando la supernova está incrustada en una galaxia anfitriona brillante y cercana.

• Limitaciones de los pipelines actuales: Los pipelines de sustracción de imágenes de vanguardia (como los del Observatorio Rubin LSST) a menudo generan artefactos en galaxias brillantes. Esto puede llevar a falsos positivos, donde el ruido o los residuos de la galaxia se interpretan erróneamente como detecciones de fuentes transitorias.
• Falsos positivos en SNR bajo: Se ha observado que incluso con un relación señal-ruido (SNR) superior al umbral estándar de 5$\sigma$, las detecciones en galaxias brillantes pueden ser espurias.
• Necesidad de límites superiores confiables: Cuando no se detecta variabilidad, es crucial establecer límites superiores precisos para restringir los mecanismos físicos que generan el CSM. Los límites estándar de 5$\sigma$ a menudo son engañosos en estas regiones de alta densidad de flujo.

2. Metodología: El Pipeline DETECT

Los autores desarrollaron DETECT (Detection Efficiency and Threshold Estimation for Characterization of Transients), un pipeline diseñado específicamente para cuantificar la eficiencia de detección y calcular umbrales personalizados para ubicaciones específicas dentro de una galaxia anfitriona.

El flujo de trabajo de DETECT se basa en los siguientes pasos:

1. Identificación de ubicaciones de inyección: El pipeline busca regiones dentro de la galaxia anfitriona que tengan un flujo de fondo similar al de la ubicación del objetivo de interés (la supernova candidata).
2. Inyección de fuentes sintéticas: Se inyectan fuentes puntuales falsas de magnitudes conocidas en estas ubicaciones seleccionadas dentro de las imágenes científicas individuales.
3. Sustracción de imágenes y fotometría forzada: Se utiliza el pipeline de sustracción de imágenes de Rubin (AlardLuptonSubtractTask) para crear imágenes de diferencia. Posteriormente, se realiza fotometría forzada (ForcedMeasurementTask) en las ubicaciones de inyección en las imágenes de diferencia.
4. Corrección de contaminación de fondo: Se mide el flujo residual en las imágenes de diferencia en las ubicaciones de inyección (antes de inyectar fuentes falsas) para estimar la contaminación del fondo. Este valor se resta de las mediciones posteriores para corregir falsas detecciones causadas por artefactos de la galaxia.
5. Curva de recuperación y modelado: Se repite el proceso para un amplio rango de magnitudes. Se construye una "curva de recuperación" (fracción de fuentes recuperadas vs. magnitud) y se ajusta un modelo (lineal por partes) para determinar umbrales de detección específicos (ej. 50% y 80% de probabilidad de detección).
6. Validación: Se compara la magnitud reportada del objetivo con el umbral calculado para determinar si la detección es real o un límite superior.

3. Contribuciones Clave

• Desarrollo de DETECT: Una herramienta nueva y abierta (disponible en GitHub) que no reemplaza la sustracción de imágenes, sino que la complementa proporcionando umbrales de detección empíricos y robustos para casos difíciles.
• Validación con Datos Simulados (DP0): El pipeline fue probado exhaustivamente con datos simulados del Data Preview 0 (DP0) de Rubin, demostrando su capacidad para recobrar fuentes hasta magnitudes de ~23-24 mag en galaxias tenues, pero mostrando la degradación del rendimiento en galaxias brillantes.
• Aplicación a Datos Reales (DP1): Se aplicó por primera vez a datos reales del Data Preview 1 (DP1) de Rubin, analizando una muestra de 15 transitorios.
• Caracterización de Falsos Positivos: El estudio cuantifica sistemáticamente la tasa de falsos positivos en el pipeline predeterminado de Rubin, revelando que la mayoría ocurren en un rango de SNR entre 5 y 10 en galaxias brillantes.

4. Resultados Principales

• Dependencia de la Galaxia Anfitriona: Se demostró que el umbral de detección (80% de recuperación) varía en más de 2 magnitudes dependiendo del brillo de la galaxia anfitriona. En galaxias brillantes ($m_{gal} \lesssim 13$ mag), el umbral se degrada significativamente, haciendo que fuentes muy tenues sean clasificadas erróneamente como detectadas por el pipeline predeterminado.
• Análisis de la Muestra DP1 (15 objetivos):
  • Detecciones Reales Pre-descubrimiento: Se identificaron detecciones significativas antes de la fecha de descubrimiento oficial para objetivos como AT 2024ahzi, aunque la naturaleza (precursores vs. fase temprana) requiere más estudio.
  • Corrección de Falsos Positivos: Se confirmó que detecciones reportadas por el pipeline predeterminado (ej. SN 2025brs) eran en realidad artefactos de la galaxia anfitriona y no detecciones reales.
  • Límites Superiores Mejores: Para objetivos sin detección, DETECT proporcionó límites superiores empíricos que son, en promedio, ~0.4 mag más profundos (más restrictivos) que los límites de 5$\sigma$ predeterminados de Rubin.
• Tasa de Falsos Positivos:
  • De las 84 épocas analizadas que el pipeline predeterminado de Rubin marcó como detecciones, solo el 36% permaneció como detección real tras el análisis con DETECT.
  • No se encontraron falsos positivos cuando el SNR era mayor a 10.
  • La mayoría de los falsos positivos ocurrieron cuando el SNR estaba entre 5 y 10.
• Capacidad de Rubin LSST: Las simulaciones mostraron que, combinado con DETECT, Rubin LSST podrá detectar erupciones precursoras de eventos similares a SN 2009ip hasta distancias de ~130 Mpc, superando las capacidades actuales de ATLAS y ZTF.

5. Significancia e Impacto

• Preparación para LSST: Este trabajo es crucial para la preparación del inicio de la encuesta principal de Rubin LSST, proporcionando una metodología para asegurar que las detecciones de variabilidad pre-SN sean reales y no artefactos de la sustracción de imágenes.
• Restricción de Mecanismos Físicos: Al proporcionar límites superiores confiables, DETECT permitirá a los astrónomos descartar o confirmar mecanismos de pérdida de masa eruptiva y la presencia de CSM denso en diferentes tipos de supernovas (IIn, IIn-like, IIP/IIL).
• Versatilidad: Aunque desarrollado para pre-SN, DETECT es aplicable a cualquier escenario donde las detecciones sean inciertas y se requieran límites superiores robustos, especialmente en campos con alta densidad de fuentes o galaxias brillantes.
• Dependencia de la Calidad de Plantillas: El estudio destaca que la calidad de las imágenes plantilla (templates) es crítica. A medida que la encuesta LSST acumule más datos y mejore las plantillas, los límites de DETECT serán aún más profundos y precisos.

En resumen, DETECT representa un avance metodológico esencial para la astronomía de transitorios de alta precisión, transformando la forma en que se interpretan los datos de sustracción de imágenes en entornos complejos, asegurando que la futura ciencia de Rubin LSST sobre la evolución estelar final sea robusta y libre de artefactos sistemáticos.