HOLISMOKES XXI: Detecting strongly lensed type Ia supernovae from time series of multi-band LSST-like imaging data -- Part II

Resumen Técnico: HOLISMOKES XXI – Detección de Supernovas Tipo Ia Fuertemente Lenticuladas a partir de Series Temporales Multibanda

Planteamiento del Problema
Las supernovas fuertemente lenticuladas (LSNe), particularmente las de Tipo Ia, son sondas raras pero críticas para la cosmología, específicamente para la cosmografía de retraso temporal (TDC) con el fin de medir la constante de Hubble ($H_0$) y restringir la energía oscura. Las futuras encuestas de dominio temporal, como el Levantamiento de Legado de Espacio y Tiempo (LSST) del Observatorio Vera C. Rubin, se espera que detecten cientos de LSNe. Sin embargo, el volumen abrumador de alertas ($\sim 10^7$ por noche) hace imposible la inspección manual. La identificación temprana es esencial para permitir un seguimiento oportuno para el modelado de masa y los estudios de progenitores. Los métodos anteriores a menudo dependen de resolver imágenes múltiples o detectar arcos de galaxias anfitrionas, lo cual es difícil para sistemas de pequeña separación o durante las fases tempranas de una explosión. Además, distinguir las LSNe de los falsos positivos, como supernovas que ocurren en la propia galaxia lente en primer plano, representa un desafío significativo.

Metodología
Este trabajo extiende el marco de aprendizaje profundo introducido en HOLISMOKES XVII (Bag et al. 2026) para detectar LSNe Ia directamente a partir de recortes de imágenes multibanda y multiepoca. La metodología central emplea una arquitectura de Memoria a Corto y Largo Plazo Convolucional (ConvLSTM) para capturar simultáneamente correlaciones espaciales y temporales en datos de imágenes de series temporales.

Los avances metodológicos clave sobre el estudio anterior incluyen:

1. Realismo Mejorado en Simulaciones: El conjunto de datos de entrenamiento se actualizó de la Publicación de Datos 2 (PDR2) de Hyper Suprime-Cam (HSC) a la PDR3, aumentando el tamaño de la muestra en $\sim 50\%$.
2. Incorporación de Características de Lente: Las simulaciones ahora incluyen arcos realistas de galaxias anfitrionas lenticuladas. Se utilizan galaxias reales del Campo Ultra Profundo de Hubble (HUDF) como galaxias anfitrionas, trazadas mediante rayos a través de modelos de lente para generar arcos lenticulados en el plano de la imagen.
3. Condiciones Observacionales Dinámicas: A diferencia del enfoque estático anterior, este trabajo introduce variaciones de epoca a epoca en la Función de Dispersión de Punto (PSF) y el ruido de Poisson. Una pipeline autoconsistente genera series temporales a partir de observaciones de una sola epoca variando el seeing y actualizando los mapas de varianza para reflejar el flujo inyectado y las condiciones de ruido cambiantes.
4. Modelado Mejorado de Transitorios: Las curvas de luz se modelan utilizando la plantilla espectral SALT2 (reemplazando la plantilla Hsiao), incorporando variaciones intrínsecas en la estiración y el color.
5. Clases Negativas Desafiadoras: Se introdujo una nueva clase negativa (Conjunto N2), compuesta por supernovas Tipo Ia que ocurren en la propia galaxia lente en primer plano. Estos son falsos positivos motivados astrofísicamente que son difíciles de distinguir de las LSNe genuinas, especialmente cuando la fuente de fondo también está lenticulada. El conjunto de datos también incluye variables de HSC y SNe normales en galaxias LRG y espirales.

El modelo procesa recortes de imágenes de 59 $\times$ 59 píxeles ($\sim 10'' \times 10''$) a través de las bandas $g, r, i, z$. Utiliza una arquitectura de doble rama: una rama ConvLSTM para secuencias de imágenes y una rama LSTM para las marcas de tiempo de observación, con características concatenadas para la clasificación final.

Resultados Clave
El modelo demuestra un rendimiento robusto bajo estas condiciones más realistas:

• Convergencia Rápida: Las curvas Característica Operativa del Receptor (ROC) mejoran rápidamente durante las primeras observaciones. Para la 7ª observación ($N_{obs, m-b} = 7$), el modelo alcanza una Tasa de Verdaderos Positivos (TPR) de $\sim 60\%$ con una Tasa de Falsos Positivos (FPR) de $O(10^{-4})$. Para la 10ª observación, la TPR aumenta a $\sim 80\%$ con la misma FPR.
• Robustez ante la Complejidad: A pesar de la inclusión de PSFs variables en el tiempo, ruido de Poisson y la desafiante clase negativa "SN en lente", el rendimiento se mantiene comparable al del estudio anterior, lo que indica la resiliencia del método ante complejidades observacionales.
• Análisis de Falsos Positivos: Las principales fuentes de falsos positivos son SNe en lentes (Conjunto N2) y SNe en LRG (Conjunto N3). Estas subclases dominan el presupuesto de FPR, particularmente en épocas tempranas. Sin embargo, el modelo suprime eficazmente estos contaminantes en umbrales de puntuación conservadores (por ejemplo, $P_{th} > 0.8$).
• Impacto de Arcos de Anfitriona y Desplazamientos: Los sistemas con arcos de galaxia anfitriona detectables muestran un rendimiento ligeramente mejor en etapas tempranas debido a la información espacial adicional, pero esta ventaja disminuye a medida que se acumulan más datos temporales. De manera similar, el rendimiento de clasificación es en gran medida insensible al desplazamiento entre la SN y el centro de su galaxia anfitriona, aunque los sistemas con desplazamientos más pequeños ($< 0.4''$) muestran una mejora marginal.
• Supernovas Hermanas: El modelo se probó contra una muestra de "SNe hermanos" (dos SNe en la misma galaxia). Aunque una pequeña fracción de estas imita configuraciones lenticuladas (particularmente aquellas con grandes ángulos proyectados), la mayoría se clasifican correctamente como no lenticuladas.

Significado y Afirmaciones
Los autores afirman que el enfoque de series temporales de imágenes permanece robusto cuando se extiende a condiciones observacionales y configuraciones astrofísicas más realistas. El estudio demuestra que:

1. La Identificación Temprana es Factible: El modelo puede distinguir LSNe de otros transitorios con alta confianza utilizando solo un pequeño número de observaciones tempranas, lo cual es crítico para permitir el seguimiento antes del brillo máximo.
2. El Realismo No Degrada el Rendimiento: La incorporación de PSFs dinámicas, ruido realista y clases negativas difíciles no obstaculiza significativamente la capacidad del modelo para aprender las características necesarias.
3. Adecuación para LSST: El marco es muy adecuado para búsquedas en tiempo real en LSST y otras encuestas de dominio temporal. Los autores señalan que la mejor cadencia de LSST en comparación con las simulaciones basadas en HSC utilizadas aquí se espera que mejore aún más las capacidades de identificación temprana.

El artículo concluye que, aunque el estudio actual utiliza datos de HSC como proxy para LSST, la metodología está lista para la transición a productos de datos de LSST y puede extenderse a otros tipos de transitorios (por ejemplo, SNe de colapso del núcleo, TDEs) en trabajos futuros.