Bayesian Doppler Imaging: Simultaneous Inference of Surface Maps and Geometric Parameters

Resumen Técnico: Imágenes Doppler Bayesianas: Inferencia Simultánea de Mapas Superficiales y Parámetros Geométricos

Enunciado del Problema
La imagen Doppler es una técnica espectroscópica utilizada para reconstruir mapas bidimensionales de la superficie de estrellas en rotación, enanas marrones y exoplanetas a partir de distorsiones dependientes del tiempo en los perfiles de las líneas espectrales. Tradicionalmente, esto se ha tratado como un problema inverso mal planteado resuelto mediante métodos de estimación puntual (por ejemplo, entropía máxima o regularización de Tikhonov). Es deseable una formulación totalmente bayesiana para cuantificar las incertidumbres en los mapas inferidos; sin embargo, sigue siendo un desafío computacional debido a la alta dimensionalidad de los parámetros del mapa superficial. Además, los parámetros geométricos físicamente críticos, específicamente la inclinación ($i$) y la velocidad de rotación ecuatorial ($v_{\text{rot}}$), a menudo se fijan utilizando restricciones externas o valores de la literatura, en lugar de inferirse conjuntamente con el mapa superficial. Este artículo aborda la necesidad de un marco que infiera simultáneamente las distribuciones de brillo superficial y estos parámetros geométricos no lineales, proporcionando al mismo tiempo una cuantificación rigurosa de las incertidumbres.

Metodología
Los autores proponen un marco de imagen Doppler basado en píxeles y totalmente bayesiano que trata la inferencia como un problema inverso lineal bayesiano condicionado a un pequeño conjunto de parámetros geométricos no lineales.

• Modelo Directo: El mapa de brillo superficial se discretiza en píxeles en una cuadrícula HEALPix. El modelo directo relaciona el mapa superficial ($\mathbf{a}$) con la serie temporal espectral observada ($\mathbf{d}$) mediante una matriz de diseño ($\mathbf{W}$), que encapsula la proyección geométrica, el oscurecimiento del limbo y los efectos de ensanchamiento Doppler. La relación es lineal en el mapa ($\mathbf{d} = \mathbf{W}\mathbf{a} + \boldsymbol{\epsilon}$) pero no lineal en los parámetros geométricos ($\boldsymbol{\theta}$) que definen $\mathbf{W}$.
• Prior de Proceso Gaussiano: Para imponer suavidad espacial y parametrizar la escala espacial del mapa, el mapa superficial se modela como un prior de Proceso Gaussiano (GP) sobre las intensidades de los píxeles. Esto introduce una escala de longitud de correlación característica ($\ell$) y una amplitud ($\sigma_a$).
• Marginalización Analítica: Al asumir priores gaussianos para el mapa y verosimilitudes gaussianas para los datos, los autores marginalizan analíticamente los parámetros de mapa lineales de alta dimensionalidad ($\mathbf{a}$). Esto reduce la distribución posterior para que dependa únicamente de los parámetros no lineales de baja dimensionalidad ($\boldsymbol{\theta} = \{i, v_{\text{rot}}, \text{oscurecimiento del limbo}, \text{ruido}, \text{hiperparámetros del GP}, \dots\}$).
• Muestreo: La verosimilitud marginal depende de manera no lineal de $\boldsymbol{\theta}$. Los autores muestrean la posterior de estos parámetros utilizando Monte Carlo de Hamiltoniano (HMC) con el Muestreador No-U-Turn (NUTS), implementado en JAX/NumPyro. Esto permite una exploración eficiente del espacio de parámetros sin el costo computacional de muestrear el mapa completo en cada paso.
• Recuperación del Mapa: Una vez obtenidas las muestras posteriores de $\boldsymbol{\theta}$, se calcula la posterior condicional del mapa superficial para cada muestra. La posterior marginal del mapa se aproxima como una mezcla finita de gaussianas ponderadas por las muestras MCMC, lo que permite el cálculo de medias posteriores e incertidumbres resueltas espacialmente.

Contribuciones Clave

1. Marco de Inferencia Conjunta: El artículo presenta un método para inferir simultáneamente mapas superficiales y parámetros geométricos ($i$, $v_{\text{rot}}$) sin fijarlos a valores de la literatura, desentrañando la típica degeneración $v_{\text{rot}} \sin i$ a través de distorsiones dependientes del tiempo en los perfiles de línea.
2. Muestreo Bayesiano Eficiente: Al marginalizar analíticamente los parámetros lineales del mapa, el método permite un muestreo MCMC eficiente del subespacio no lineal, haciendo que la imagen Doppler totalmente bayesiana sea computacionalmente viable para mapas de alta resolución.
3. Cuantificación de Incertidumbres: El marco proporciona estimaciones de incertidumbre resueltas espacialmente para los mapas superficiales, distinguiendo entre características impulsadas por los datos y artefactos que surgen del proceso de inversión o de las suposiciones previas.
4. Implementación: El código está implementado en JAX, aprovechando la diferenciación automática y la aceleración por GPU para el cálculo eficiente de la matriz de diseño y las verosimilitudes.

Resultados

• Validación con Datos Sintéticos: Los experimentos con datos sintéticos demuestran que el método recupera con éxito las longitudes de las inhomogeneidades superficiales a gran escala y restringe $i$ y $v_{\text{rot}}$ bajo los supuestos del modelo adoptado. Las pruebas sintéticas confirman que, aunque la estructura longitudinal está bien restringida, la sensibilidad latitudinal está intrínsecamente limitada, particularmente para inclinaciones bajas o características brillantes aisladas, las cuales pueden aparecer como artefactos de reconstrucción.
• Aplicación a Luhman 16B: El marco se aplicó a observaciones de alta resolución de VLT/CRIRES de la enana marrón Luhman 16B.
  • Parámetros Geométricos: Los autores derivaron una inclinación de $i = 61.0^{+14.3}_{-12.3}$ grados y una velocidad de rotación ecuatorial de $v_{\text{rot}} = 31.2^{+5.3}_{-3.1}$ km s$^{-1}$. Estos valores se infirieron sin fijar $v_{\text{rot}} \sin i$ ni $i$ a valores previos de la literatura.
  • Mapa Superficial: El análisis reveló una región oscura a gran escala a latitudes medias, consistente con estudios anteriores (por ejemplo, Crossfield et al. 2014), pero ahora acompañada de estimaciones de incertidumbre resueltas espacialmente. El mapa también mostró una característica similar a una mancha cerca del ecuador y parches brillantes a altas latitudes; sin embargo, los autores advierten que las características brillantes pueden ser artefactos de la sensibilidad latitudinal limitada y del prior GP suave.
  • Implicaciones Físicas: Combinar la $v_{\text{rot}}$ inferida con el período de rotación ($P \approx 4.83$ h) produce una estimación de radio de $\approx 1.2 R_{\text{Jup}}$, lo cual es ampliamente consistente con los modelos evolutivos para enanas marrones viejas. Los autores también señalan una posible desalineación del eje de giro entre Luhman 16A y 16B si comparten velocidades de rotación ecuatorial similares.

Significado
El artículo afirma que este marco establece un modelo probabilístico unificado para la imagen Doppler que trata el mapa superficial como una variable latente, permitiendo la restricción conjunta de la estructura atmosférica y los parámetros geométricos fundamentales. La capacidad de cuantificar las incertidumbres e identificar los límites de la resolución latitudinal se destaca como una ventaja importante sobre los métodos tradicionales de estimación puntual. Los autores sugieren que, aunque el método actual depende de un perfil de línea intrínseco fijo, el marco es extensible para inferir conjuntamente perfiles espectrales intrínsecos en trabajos futuros para reducir aún más los residuos sistemáticos. El código se pone a disposición del público para facilitar su aplicación adicional a atmósferas subestelares y de exoplanetas.