An internal shock model calibrated with real gamma-ray burst light curves using a genetic algorithm

Resumen Técnico: Un Modelo de Choque Interno Calibrado con Curvas de Luz Reales de Brotes de Rayos Gamma mediante un Algoritmo Genético

Planteamiento del Problema
El origen de la emisión prompt en los Brotes de Rayos Gamma (GRBs) sigue siendo una pregunta fundamental abierta. Si bien el modelo de choque interno (IS) es un mecanismo principal propuesto para explicar la disipación de la energía cinética de los eyectos relativistas en rayos gamma, sus parámetros no han sido totalmente optimizados para reproducir las diversas propiedades morfológicas observadas en las curvas de luz (LCs) reales de los GRBs. Estudios previos que utilizaban modelos estocásticos de avalancha de pulsos carecían de una conexión física directa con el mecanismo de disipación subyacente. Una cuestión clave abierta es si un modelo motivado físicamente, como el escenario de choque interno (IS), puede reproducir las propiedades temporales observadas cuando se calibra directamente contra datos reales utilizando técnicas modernas de aprendizaje automático.

Metodología
Los autores emplearon un marco de aprendizaje automático utilizando un algoritmo genético (GA) para optimizar los parámetros de un modelo de IS específico (basado en Kobayashi et al. 1997, de aquí en adelante K97). El proceso de optimización involucró los siguientes pasos:

1. Conjunto de Datos: El estudio utilizó tres catálogos complementarios de GRBs: 1,389 GRBs de Swift/BAT (2005–2023), 1,120 de Fermi/GBM y 1,389 de CGRO/BATSE. Se retuvieron únicamente eventos de larga duración ($T_{90} > 2$ s) con relaciones señal-ruido suficientes. Se excluyeron los eventos con evidencia de orígenes de fusión de objetos compactos (por ejemplo, el GRB 211211A) para mantener la homogeneidad de la muestra.
2. Modificaciones del Modelo: Los autores implementaron una versión del modelo K97 con dos modificaciones significativas respecto a la formulación original:
   • Tiempos de Emisión de Capas (Shells): En lugar de una tasa de emisión constante, el modelo asume una tasa de emisión de capas temporalmente decreciente. Para un GRB dado, los tiempos de emisión siguen una distribución exponencial negativa, lo que implica un proceso estocástico donde cada capa tiene una probabilidad idéntica e independiente de eyección por unidad de tiempo. La escala de tiempo característica $\tau$ varía por brote, extraída de una distribución log-normal.
   • Muestreo del Factor de Lorentz: El modelo introduce variabilidad de brote a brote en el contraste del factor de Lorentz. Para cada GRB, se extraen los factores de Lorentz mínimos y máximos, y los factores de Lorentz de las capas individuales se distribuyen uniformemente en el espacio logarítmico entre estos límites.
   • Distribución del Número de Capas: El número de capas ($n$) por GRB se muestrea de una distribución de Zipf (Zipf-Mandelbrot) generalizada, una distribución de cola pesada.
3. Métricas de Optimización: El GA minimizó una función de pérdida total basada en seis métricas independientes que comparan las LCs simuladas contra los datos observados:
   • Perfil de tiempo promedio post-pico ($\langle F/F_p \rangle$).
   • Promedio del tercer momento del perfil post-pico ($\langle (F/F_p)^3 \rangle$).
   • Función de autocorrelación (ACF) promedio.
   • Distribución de duraciones ($T_{20\%}$).
   • Distribución de las relaciones señal-ruido (S/N).
   • Distribución del número de picos por GRB ($N_p$).
4. Pipeline de Simulación: El modelo genera LCs sintéticas simulando colisiones de capas, calculando la disipación de energía interna y convirtiendo esto en luminosidad bolométrica. Se asignan desplazamientos al rojo (redshifts) basados en un modelo de tasa de formación de GRBs (Ghirlanda & Salvaterra 2022). La LC bolométrica se convierte luego en flujo observado dentro de bandas de paso instrumentales específicas (BATSE, Swift, Fermi) utilizando espectros de la función Band y correcciones k, añadiendo finalmente ruido de fondo realista.

Contribuciones Clave

• Primera Optimización Sistemática: Este trabajo presenta la primera optimización sistemática de un modelo de IS directamente contra múltiples propiedades estadísticas de las LCs observadas de GRBs a través de tres instrumentos diferentes.
• Restricciones Físicas sobre el Motor Central: Al reemplazar un modelo de juguete puramente estocástico por un marco de IS físico, el estudio restringe los parámetros fundamentales que gobiernan la dinámica del motor central (por ejemplo, la estadística de emisión de capas y las distribuciones del factor de Lorentz).
• Descubrimiento de Leyes Estadísticas: La optimización revela que el número de capas por GRB sigue una distribución de Zipf generalizada, y que los tiempos de emisión en el marco de reposo siguen una distribución exponencial negativa.

Resultados
El modelo de IS calibrado reproduce con éxito una amplia gama de propiedades de las LCs de los GRBs observados:

• Perfiles Temporales: El modelo reproduce con precisión el perfil temporal promedio post-pico, la desviación raíz cuadrática media, el perfil del tercer momento y la función de autocorrelación promedio.
• Distribuciones Estadísticas: El modelo recupera las distribuciones observadas de duración, S/N, conteo de picos por brote, flujo de pico y fluencia.
• Consistencia de Parámetros: Los parámetros de mejor ajuste (por ejemplo, el índice de Zipf $\alpha \approx 2$, el desplazamiento $S \approx 1-3$, y los parámetros log-normales para los tiempos de emisión) son ampliamente consistentes entre los conjuntos de datos de Swift, Fermi y BATSE.
• Propiedades Intrínsecas: El modelo predice luminosidades de pico isotrópicamente equivalentes ($L_{\gamma,iso}$) que alcanzan picos de $10^{52}–10^{53}$ erg s$^{-1}$ y energías totales ($E_{\gamma,iso}$) centradas alrededor de $10^{53}$ erg, consistentes con las observaciones. La tasa local de GRB derivada es de $\sim 0.13–0.15$ Gpc$^{-3}$ yr$^{-1}$.
• Función de Luminosidad: El modelo produce una función de luminosidad de ley de potencia quebrada con un quiebre cerca de $10^{52}$ erg s$^{-1}$. Sin embargo, predice una tasa volumétrica menor de GRBs de baja luminosidad (ll-GRBs) en comparación con algunas estimaciones observacionales, lo que sugiere que los ll-GRBs pueden tener un origen distinto o una configuración geométrica no capturada por el modelo de IS en el eje (on-axis).
• Limitaciones: El modelo muestra un acuerdo más pobre con la distribución de número de picos de BATSE, potencialmente debido a diferencias en la respuesta instrumental. También simplifica la física de la radiación al omitir los parámetros microfísicos de choque y la evolución espectral debida al desplazamiento Doppler dependiente de la latitud.

Significancia y Reivindicaciones
Los autores afirman que, a pesar de su tratamiento simplificado de la física de la radiación, el modelo de IS optimizado reproduce con éxito la diversa variabilidad temporal de las LCs de los GRBs. El estudio proporciona información clave sobre la actividad del motor central:

1. Eyección Estocástica: La distribución exponencial negativa de los tiempos de emisión sugiere un proceso estocástico donde las capas son eyectadas con una probabilidad constante e independiente por unidad de tiempo, análogo a la desintegración radiactiva o la acreción de fragmentos de disco.
2. Criticidad Autoorganizada: La distribución de cola pesada de Zipf para el número de capas refleja la ley de Gutenberg-Richter para los terremotos, lo que sugiere que el motor central puede exhibir un comportamiento de criticidad autoorganizada (SOC).
3. Herramienta Predictiva: El modelo optimizado sirve como una herramienta predictiva para las poblaciones de GRBs que se espera sean detectadas por futuras misiones, capaz de simular morfologías de LC en cualquier redshift para probar algoritmos de activación (trigger) a bordo.

El artículo concluye que, si bien el modelo de IS requiere un mayor desarrollo para incluir la microfísica y la evolución espectral, esta formulación optimizada representa un paso significativo para vincular cuantitativamente la actividad del motor central con las curvas de luz observadas de los GRBs.