BayeSN-TD: Time Delay and $H_0$ Estimation for Lensed SN H0pe

L'article présente BayeSN-TD, une nouvelle méthode probabiliste pour analyser les supernovas de type Ia lentillées, qui permet d'estimer avec précision les délais temporels et les magnifications du système SN H0pe afin de contraindre la constante de Hubble $H_0$.

L'essentiel

🌌 Le Grand Jeu de la Lumière : Comment mesurer l'Univers avec un "Super-Héros"

Imaginez que l'Univers est une immense salle de bal, et que nous essayons de mesurer la taille de cette salle. Le problème ? La musique (l'expansion de l'Univers) va trop vite, et les mesures actuelles ne s'accordent pas. Certains disent que la salle grandit à une vitesse, d'autres à une autre. C'est ce qu'on appelle la "tension de Hubble".

Pour résoudre ce mystère, les scientifiques ont besoin d'une horloge parfaite et d'un signal lumineux très fort. C'est là qu'intervient SN H0pe (le "H0" pour Hubble, le "pe" pour espoir). C'est une supernova (l'explosion d'une étoile) qui a été démultipliée par un effet de loupe cosmique.

1. Le Phénomène : La Loupe Cosmique

Imaginez que vous regardez une bougie à travers un verre déformant (une lentille gravitationnelle). Au lieu de voir une seule flamme, vous en voyez trois, disposées en triangle.

• Le problème : La lumière de chaque image n'arrive pas en même temps. Elle prend des chemins différents, un peu comme trois coureurs qui partent du même point mais empruntent des routes de longueurs différentes pour arriver à l'arrivée.
• L'objectif : En mesurant le décalage de temps entre l'arrivée de ces trois images, on peut calculer la taille de l'Univers.

2. Le Problème : Les "Bourdonnements" (Microlentilles)

C'est ici que ça se complique. Sur le chemin de la lumière, il y a des étoiles, de la poussière et des trous noirs. Ils agissent comme de petites lentilles supplémentaires qui font scintiller la lumière de la supernova de manière imprévisible.

• L'analogie : C'est comme essayer d'écouter une chanson parfaite (la supernova) dans une pièce où quelqu'un tape du pied et fait tomber des chaises (les microlentilles). Le bruit déforme le rythme de la chanson, ce qui rend difficile de savoir exactement quand la note a été jouée.

3. La Solution : BayeSN-TD (Le "Traducteur Intelligent")

Les auteurs de cet article ont créé un nouvel outil logiciel appelé BayeSN-TD.

• C'est quoi ? Imaginez un détective très intelligent qui connaît par cœur la "vraie" chanson (la courbe de lumière normale d'une supernova).
• Comment ça marche ? Au lieu de se laisser embrouiller par le bruit (les microlentilles), ce détective utilise une méthode mathématique appelée "Processus Gaussien". C'est comme si le détective disait : "Je sais que cette chanson devrait sonner ainsi. Si elle sonne bizarrement ici, c'est probablement à cause d'un bruit de fond. Je vais donc filtrer ce bruit pour retrouver le rythme exact."
• L'innovation : Ils ont aussi mis à jour le modèle pour qu'il puisse "voir" la supernova non seulement au moment de son explosion, mais aussi longtemps après, quand elle commence à s'éteindre (jusqu'à 85 jours après le pic). C'est crucial car pour SN H0pe, on n'a eu des données que tardivement.

4. L'Expérience : Entraînement et Réalité

Avant de l'utiliser sur le vrai cas, les scientifiques ont fait des milliers de simulations :

• Ils ont créé de fausses supernovas avec des bruits différents (comme si on jouait avec des instruments de musique différents).
• Résultat : BayeSN-TD a réussi à retrouver le bon rythme et le bon décalage de temps, même quand le bruit était très fort ou coloré (différent selon les couleurs de la lumière). C'est comme si le détective réussissait à entendre la chanson parfaite même dans une discothèque bruyante.

5. Le Résultat Final : Une Mesure de l'Univers

En appliquant BayeSN-TD à la vraie supernova SN H0pe, ils ont pu mesurer :

• Le temps que la lumière a mis pour voyager entre les différentes images (environ 122 jours et 63 jours de décalage).
• La "force" de la loupe (combien la lumière a été amplifiée).

En combinant ces mesures avec des modèles de la galaxie qui fait office de loupe, ils ont calculé la vitesse d'expansion de l'Univers (la constante de Hubble, H0).

• Le chiffre : Ils obtiennent environ 69 km/s par mégaparsec.
• La conclusion : Ce chiffre est une moyenne entre les deux camps qui se battent pour la "tension de Hubble". Pour l'instant, la précision n'est pas encore suffisante pour trancher définitivement le débat, mais c'est une étape majeure.

🚀 Pourquoi c'est important pour le futur ?

Ce papier est comme un manuel d'instructions pour les prochaines décennies.

• Bientôt, des télescopes géants (comme le LSST) vont découvrir des milliers de ces supernovas démultipliées.
• BayeSN-TD sera l'outil indispensable pour analyser toutes ces données, comme un chef d'orchestre capable de diriger un millier de musiciens en même temps pour en extraire la mélodie parfaite.

En résumé : Les auteurs ont créé un outil mathématique très robuste capable de nettoyer le "bruit" cosmique pour mesurer le temps avec précision. Cela nous rapproche un peu plus de la réponse à la question : "Comment grandit vraiment notre Univers ?"

Résumé technique

1. Problématique et Contexte

La mesure de la constante de Hubble ($H_0$) fait l'objet d'une tension persistante entre les mesures du fond diffus cosmologique (CMB, univers primordial) et celles de l'échelle des distances locales (supernovae de type Ia, univers tardif). Les supernovae de type Ia lentillées gravitationnellement (glSNe Ia) offrent une voie indépendante et puissante pour résoudre cette « tension de Hubble » en combinant les délais temporels entre les images multiples d'une supernova avec des modèles de lentille gravitationnelle.

Cependant, l'analyse de ces événements présente des défis majeurs :

• Microlentillage : La présence d'étoiles dans la lentille gravitationnelle crée des effets de microlentillage qui modifient la luminosité des images de manière temporelle et potentiellement chromatique, faussant les estimations des délais temporels.
• Couverture de phase : Les glSNe Ia découvertes par le télescope spatial James Webb (JWST), comme SN H0pe, sont souvent observées tardivement (jusqu'à +60 jours après le pic), nécessitant des modèles de spectre d'énergie (SED) capables de s'étendre au-delà des phases standards.
• Modélisation : Les modèles existants (comme SALT) sont souvent entraînés sur des supernovae non lentillées et peuvent ne pas capturer correctement les déviations induites par le microlentillage ou les phases tardives.

2. Méthodologie : BayeSN-TD

Les auteurs présentent BayeSN-TD, une implémentation améliorée du modèle probabiliste SED BayeSN, spécifiquement conçu pour les supernovae lentillées.

A. Extension du Modèle SED (BayeSN)

• Couverture de phase étendue : Un nouveau modèle BayeSN a été entraîné pour couvrir les phases allant jusqu'à +85 jours après le maximum en bande B (contre +40 ou +50 jours pour les modèles précédents).
• Données d'entraînement : Le modèle est entraîné sur un ensemble de 278 SN Ia, incluant des données optiques et infrarouges (Y, J, H) ainsi que des données de la bande U (via F090W de JWST), permettant une extrapolation fiable vers les phases tardives et les longueurs d'onde spécifiques à SN H0pe.

B. Traitement du Microlentillage (Approche Gaussienne)

• Modélisation par Processus Gaussiens (GP) : Pour gérer les déviations temporelles dues au microlentillage, BayeSN-TD intègre un traitement analytique basé sur des Processus Gaussiens.
• Noyau de Gibbs : L'auteur utilise un noyau de Gibbs (non stationnaire) qui permet à l'échelle de temps du microlentillage de varier. Cela permet de modéliser des évolutions rapides lors du passage sur des caustiques stellaires et des évolutions plus lentes ailleurs.
• Hypothèse achromatique : Pour cette étude, le microlentillage est traité comme achromatique (identique pour toutes les bandes spectrales d'une image donnée). Bien que le microlentillage devienne chromatique aux phases tardives, cette approximation est validée comme robuste pour les délais temporels sur les premières semaines.
• Inférence conjointe : Le modèle infère simultanément les paramètres partagés (forme de la courbe de lumière, extinction de la galaxie hôte) et les paramètres spécifiques à chaque image (délais temporels, magnifications, courbes de microlentillage).

C. Validation par Simulation

Le modèle a été rigoureusement testé sur des simulations réalistes :

• Simulations Roman (SALT2) : Bien que les simulations soient basées sur le modèle SALT2 (différent de BayeSN), BayeSN-TD récupère les délais temporels avec des incertitudes bien calibrées (67,7 % des cas dans l'intervalle de crédibilité à 68 %).
• Simulations LSST (SALT3 + Microlentillage chromatique) : Même avec un traitement chromatique dans les simulations et un modèle achromatique dans l'inférence, le biais sur les délais temporels est négligeable (-0,08 jours) et les incertitudes restent bien calibrées. Cela démontre la robustesse du modèle face aux erreurs de spécification du modèle SED et aux effets chromatiques.

3. Application à SN H0pe

L'équipe a appliqué BayeSN-TD aux données photométriques publiques de SN H0pe (découverte par JWST), un système lentillé à trois images (A, B, C).

Résultats Clés :

• Délais Temporels :
  • $\Delta T_{BA} = 121.9^{+9.5}_{-7.5}$ jours
  • $\Delta T_{BC} = 63.2^{+3.2}_{-3.3}$ jours
  • Note : Le délai $\Delta T_{BC}$ diffère d'environ 15 jours par rapport à l'analyse précédente de Pierel et al. (2024a), principalement dû aux différences méthodologiques (ajustement sur la photométrie vs couleurs, traitement du microlentillage, modèle SED mis à jour).
• Magnifications Absolues ($\beta$) :
  • $\beta_A = 2.38^{+0.72}_{-0.54}$
  • $\beta_B = 5.27^{+1.25}_{-1.02}$
  • $\beta_C = 3.93^{+1.00}_{-0.75}$
  • Ces magnitudes absolues permettent de briser la dégénérescence du « sheet de masse » dans les modèles de lentille.
• Paramètres de la SN : La supernova présente une forte extinction par la poussière ($A_V \approx 0.95$) et un paramètre de pente de loi d'extinction faible ($R_V \approx 1.80$).

4. Estimation de $H_0$

En combinant les contraintes de délais temporels et de magnifications obtenues avec BayeSN-TD et les sept modèles de lentille indépendants présentés dans Pascale et al. (2025), les auteurs ont estimé $H_0$ :

• Avec photométrie uniquement (pondérée) : $H_0 = 69.3^{+12.6}_{-7.8}$ km s$^{-1}$ Mpc$^{-1}$.
• Avec photométrie + spectroscopie (Chen et al. 2024) : $H_0 = 66.8^{+13.4}_{-5.4}$ km s$^{-1}$ Mpc$^{-1}$.

Ces valeurs sont compatibles avec les mesures du CMB (Planck) et de l'échelle des distances locales, mais les incertitudes actuelles sont encore trop grandes pour trancher définitivement sur la tension de Hubble.

5. Contributions et Signification

Contributions principales :

1. Développement de BayeSN-TD : Une nouvelle méthode robuste intégrant le microlentillage via des Processus Gaussiens dans un cadre bayésien hiérarchique.
2. Modèle SED étendu : Un modèle BayeSN mis à jour couvrant jusqu'à +85 jours, essentiel pour l'analyse des données JWST tardives.
3. Validation rigoureuse : Démonstration que le modèle fonctionne bien même avec des modèles SED de simulation différents (SALT) et en présence de microlentillage chromatique, validant son utilisation pour la cosmologie.
4. Analyse de SN H0pe : Fourniture de nouvelles contraintes précises sur les délais et magnifications de ce système clé.

Signification :
Bien que les résultats actuels sur SN H0pe ne résolvent pas encore la tension de Hubble, ils valident BayeSN-TD comme un outil indispensable pour la prochaine génération de découvertes. Avec l'augmentation prévue du nombre de glSNe Ia par le LSST (Vera C. Rubin Observatory) et JWST, et l'amélioration future des données photométriques (grâce à de nouvelles images de référence), BayeSN-TD permettra d'obtenir des contraintes sur $H_0$ beaucoup plus précises, jouant un rôle central dans la cosmologie de précision de la décennie à venir.

Le code BayeSN-TD est disponible publiquement sur GitHub, facilitant son adoption par la communauté scientifique.