Exposure-averaged Gaussian Processes for Combining Overlapping Datasets

Résumé technique : Processus gaussiens moyennés par exposition pour la combinaison de jeux de données chevauchants

Énoncé du problème
Les processus gaussiens (PG) sont largement utilisés pour modéliser la variabilité stellaire, en employant des noyaux motivés physiquement tels que des oscillateurs harmoniques simples (OHS) amortis et excités pour représenter la granulation et les oscillations de mode p. Ces noyaux standards quantifient la covariance instantanée entre deux points dans le temps. Cependant, cette formulation suppose que les observations sont des échantillons instantanés d'un signal latent. En réalité, de nombreux spectrographes modernes de vélocimétrie radiale de très haute précision (EPRV), en particulier ceux disposant d'alimentations solaires (par exemple HARPS, HARPS-N, EXPRES, NEID, KPF), fonctionnent avec des temps d'exposition comparables aux échelles de temps de la variabilité stellaire qu'ils visent à mesurer (de quelques minutes à quelques heures).

Lorsque les temps d'exposition sont significatifs, le signal observé est une version moyennée par exposition (binnée) du véritable signal latent, et non un point instantané. Combiner naïvement des jeux de données provenant de plusieurs instruments ayant des temps d'exposition différents en utilisant des noyaux instantanés standards conduit à des signaux spuriaires. Le modèle échoue à réconcilier des observations proches dans le temps qui présentent de réelles différences de vélocité radiale (VR) uniquement dues à leurs temps d'intégration différents. Les tentatives précédentes pour combiner de telles données consistaient à regrouper toutes les observations sur une échelle de temps commune et grossière ou à interpoler entre les jeux de données, deux approches qui éliminent l'information haute fréquence (telle que les oscillations de mode p) ou reposent sur des schémas d'interpolation non physiques.

Méthodologie
Les auteurs présentent un cadre de processus gaussiens qui prend explicitement en compte les temps d'exposition finis en calculant des formes intégrées des noyaux instantanés. La méthodologie repose sur trois composantes principales :

1. Cadre d'intégration des noyaux : Les auteurs dérivent des expressions analytiques pour la covariance entre :

   • Deux observations binnées (double intégration du noyau latent).
   • Une observation binnée et un point instantané latent (intégration simple).
   • Deux points instantanés latents (le noyau standard).
     Pour les noyaux stationnaires, les auteurs démontrent que tout scénario de chevauchement complexe (partiel ou complet) peut être décomposé en sommes de sous-expositions « parfaitement chevauchantes » et « complètement séparées ». Cela permet l'évaluation de la matrice de covariance pour des durées d'exposition ($\delta$) et des séparations temporelles ($\Delta$) arbitraires.

2. Solutions analytiques pour les noyaux OHS : L'article fournit des expressions analytiques spécifiques pour l'intégration du noyau OHS amorti et excité stochastiquement (couramment utilisé pour la granulation et les oscillations). Cela inclut des fonctions auxiliaires ($I_{OHS}$) pour évaluer les intégrales dans les cas d'intégration simple et double, en traitant les inversions de signe dans la différence de temps $|t - t'|$ qui se produisent au sein des expositions chevauchantes.

3. Décomposition multi-composantes et multi-instruments :

   • Décomposition des composantes : Le cadre s'étend aux modèles de processus gaussiens multi-composantes (par exemple, somme de noyaux de granulation, d'oscillation et de rotation). Les auteurs détaillent l'algèbre linéaire requise pour conditionner le modèle complet sur les données et extraire ultérieurement la moyenne prédictive pour les composantes latentes individuelles.
   • Dérives instrumentales : Pour gérer les jeux de données chevauchants provenant de plusieurs instruments, le modèle traite la dérive de chaque instrument comme une composante de processus gaussien indépendante ajoutée à un signal stellaire latent commun. Cela est mis en œuvre via un processus gaussien multivarié où le noyau des dérives instrumentales est masqué par un delta de Kronecker, garantissant que les covariances de dérive n'existent que entre les observations provenant du même spectrographe. Cela permet de séparer la variabilité « stellaire » des dérives « instrumentales » sans prescrire de forme fonctionnelle spécifique pour la dérive.

Résultats clés
Le cadre a été validé par deux applications principales :

1. Données simulées : Les auteurs ont simulé des données de VR solaire imitant quatre instruments (KPF, NEID, EXPRES, HARPS-N) avec des temps d'exposition allant de 12 à 300 secondes.

   • Prise en compte de l'exposition : Les modèles qui ignoraient les temps d'exposition produisaient des moyennes prédictives erronées, échouant particulièrement à ajuster des observations proches dans le temps ayant des durées d'exposition différentes. Le modèle conscient de l'exposition a correctement prédit le signal latent, permettant à la moyenne prédictive d'être plus extrême que les observations binnées (par exemple, passant par des extrema qui avaient été lissés par de longues expositions).
   • Récupération de la dérive : Lorsque des dérives instrumentales synthétiques ont été injectées, le modèle a récupéré avec une grande précision les dérives relatives entre paires d'instruments (RMS < 1,5 cm s$^{-1}$). Cependant, les dérives absolues des instruments individuels se sont révélées hautement dégénérées (souvent anti-corrélées), car le modèle ne peut pas distinguer de manière unique quel instrument dérive sans contraintes supplémentaires.

2. Données solaires réelles :

   • KPF et NEID (Jour unique) : Appliqué aux données chevauchantes du 19 avril 2024, le modèle a séparé avec succès le signal stellaire des dérives instrumentales. Il a identifié une dérive lisse de KPF par rapport à NEID, corrélée avec des événements opérationnels connus (remplissages d'azote liquide).
   • Projet de signaux stellaires extrêmes (ESSP) : Appliqué à un jeu de données de 28 jours combinant HARPS, HARPS-N, EXPRES et NEID (11 165 observations). Le modèle a réussi à se conditionner sur les données pour isoler les composantes stellaires (oscillations, granulation, supergranulation et rotation) tout en corrigeant les dérives spécifiques à chaque instrument. En raison du coût computationnel (échelle $O(N^3)$), l'ajustement des hyperparamètres n'a pas été effectué pour ce grand ensemble de données ; des hyperparamètres fixes ont été utilisés à la place pour démontrer la capacité du cadre à gérer les complexités de la combinaison de jeux de données disparates.

Signification et affirmations
L'article affirme que ce cadre est essentiel pour l'analyse des jeux de données EPRV modernes, en particulier ceux impliquant des alimentations solaires où les temps d'exposition varient considérablement entre les instruments. En intégrant correctement les noyaux, la méthode :

• Préserve l'information haute fréquence (modes p, granulation) qui est perdue lorsque les données sont binnées sur une échelle de temps commune et grossière.
• Empêche l'apparition de signaux spuriaires résultant de la discordance des temps d'exposition dans les observations chevauchantes.
• Permet la décomposition de jeux de données complexes et multi-instruments en composantes stellaires et instrumentales distinctes, en isolant spécifiquement les « dérives relatives par paires » qui sont robustement contraintes.

Les auteurs notent que, bien que l'implémentation actuelle fasse face à des limitations d'échelle pour les très grands jeux de données ($N > 3000$) en raison du caractère non stationnaire des noyaux intégrés (qui dépendent à la fois de la séparation temporelle et des temps d'exposition individuels), le cadre fournit une fondation statistique rigoureuse. Ils suggèrent que les travaux futurs utilisant des modèles d'espace d'état (filtres de Kalman) résoudront ces problèmes d'échelle, permettant une modélisation robuste de la variabilité stellaire et des dérives instrumentales sur de plus longues échelles de temps. L'article conclut que cette approche est plus bénéfique pour les jeux de données à haute cadence conçus pour étudier la variabilité stellaire, plutôt que pour les données de recherche de planètes à cadence de relevé standard où les temps d'exposition sont négligeables par rapport aux échelles de temps de la variabilité.