Optimizing Optical Searches for Supermassive Black Hole Binaries in AGN Light Curves: Fourier versus Bayesian Periodicity Detection

Résumé Technique : Optimisation des recherches optiques de binaires de trous noirs supermassifs dans les courbes de lumière d'AGN

Énoncé du problème
La détection de binaires de trous noirs supermassifs (SMBHB) via les observations électromagnétiques (EM) repose sur l'identification de variations périodiques de luminosité dans les courbes de lumière de noyaux actifs de galaxies (AGN). Ces variations sont supposées résulter du boost Doppler relativiste (RDB) et des interactions entre les disques circumbinaires et les mini-disques. Cependant, la variabilité intrinsèque des AGN, modélisée comme une marche aléatoire amortie (DRW), crée un fond de « bruit rouge » stochastique qui imite la périodicité. Ce défi est exacerbé par l'échantillonnage épars et les bases d'observation courtes des relevés actuels et à venir (Catalina Real-Time Transient Survey [CRTS], Zwicky Transient Facility [ZTF], et le futur Legacy Survey of Space and Time [LSST]). La difficulté principale réside dans la distinction entre les signaux binaires authentiques et les fluctuations dues uniquement au processus DRW, tout en minimisant les taux de faux positifs (FPR) sans sacrifier les taux de vrais positifs (TPR).

Méthodologie
Les auteurs simulent une population de courbes de lumière d'AGN représentant les propriétés observationnelles de CRTS, ZTF et LSST. Les simulations combinent un processus DRW (pour modéliser la variabilité stochastique) avec un signal sinusoïdal injecté (pour modéliser le mouvement orbital des SMBHB). L'étude évalue trois méthodes distinctes de détection de périodicité :

1. Échantillonneur Bayésien imbriqué (NBS) : Utilise le package Ultranest pour effectuer une sélection de modèle bayésien entre un modèle DRW pur et un modèle combiné DRW+Sinusoïde. La préférence du modèle est déterminée par le critère d'information bayésien ($\Delta$BIC).
2. Périodogramme de Lomb-Scargle généralisé (GLSP) : Implémenté via PyAstronomy, cette méthode basée sur Fourier détecte la périodicité dans les données échantillonnées de manière irrégulière. La sélection du modèle repose sur des calculs de probabilité de fausse alarme (FAP), incluant les variations gaussiennes ($FAP_{Gauss}$), par bootstrap global ($FAP_{global}$) et par bootstrap local ($FAP_{local}$).
3. Transformée en ondelettes pondérée (WWZ) : Implémentée via le package wwz, cette méthode utilise des ondelettes localisées pour détecter des signaux périodiques évolutifs. La sélection du modèle utilise diverses définitions de FAP ($FAP_{local-local}$, $FAP_{local-avg}$, $FAP_{avg-local}$) basées sur des simulations de bootstrap contre un fond DRW.

Pour répondre à la charge de calcul de LSST (projetée à $\sim10^7$ courbes de lumière), les auteurs proposent une « procédure de base de données » pour un triage rapide. Au lieu de générer des distributions de bootstrap uniques pour chaque candidat, ils pré-calculent des distributions de périodogrammes pour deux fenêtres de relevé LSST « représentatives » et utilisent ces dernières pour estimer les FAP de tous les candidats.

Résultats clés

• Performance des méthodes : Le NBS ($\Delta$BIC) est identifié comme le classificateur le plus robuste, produisant les échantillons les plus « complets » (taux de vrais positifs authentiques élevé, TPR(P)) avec un minimum de faux positifs. Parmi les méthodes de Fourier, le GLSP avec FAP par bootstrap local ($FAP_{local}$) offre le meilleur équilibre entre complétude et faible FPR, tandis que le $FAP_{Gauss}$ est efficace en termes de calcul mais moins précis pour le bruit rouge. Le WWZ fonctionne bien pour les périodes moyennes à longues, mais peine avec les signaux à courte période en raison des artefacts d'échantillonnage épars.
• Dépendance aux paramètres : Le succès de la détection pour toutes les méthodes est positivement corrélé à l'amplitude du sinus injecté ($A_{in}$) et négativement corrélé à l'amplitude de variabilité du DRW ($\sigma_{in}$). Toutes les méthodes montrent une sensibilité réduite lorsque la période injectée approche la ligne de base d'observation ($T_{obs}$), bien que le NBS puisse détecter des signaux avec moins de deux cycles complets.
• Sélection de modèle conjointe : La combinaison de la sélection de modèle NBS et GLSP réduit considérablement les FPR (de plus d'un ordre de grandeur) avec un impact marginal sur le TPR(P). L'ajout de la sélection WWZ réduit davantage le FPR, mais au prix d'un TPR(P) nettement plus faible.
• Triage LSST : Le classificateur basé sur une base de données, $FAP_{Dlocal}$, permet un triage rapide des données LSST. En utilisant des seuils stricts, cette méthode atteint un TPR d'environ 40 % et un FPR d'environ 0,5 % avec un coût computationnel minimal (traitant $\sim10^7$ courbes de lumière en $\sim10-30$ heures).
• Faux Positifs : Les courbes de lumière présentant uniquement un processus DRW qui passent tous les critères de sélection ont tendance à présenter des variations stochastiques de haute amplitude qui imitent la périodicité. Ces faux positifs « convaincants » produisent souvent des périodes et des amplitudes faibles, suggérant que la combinaison de la sélection NBS et GLSP filtre efficacement ces cas.

Signification et revendications
L'article affirme fournir un pipeline robuste pour le côté EM d'un effort de détection conjointe EM + Ondes Gravitationnelles (GW) des SMBHB. Ses principales contributions sont :

1. Validation d'une stratégie de recherche par paliers : Les auteurs recommandent un flux de travail où les grands ensembles de données sont d'abord triés à l'aide de méthodes de Fourier efficaces (GLSP) pour filtrer la majorité des sources non périodiques, suivis d'une analyse bayésienne rigoureuse (NBS) sur les candidats restants.
2. Scalabilité pour LSST : La procédure de base de données proposée pour le calcul de la FAP offre une voie computationnellement réalisable pour analyser le volume massif de données de LSST, permettant l'identification de rares candidats SMBHB dans un délai réaliste.
3. Contexte multi-messager : L'étude positionne ces méthodes de détection EM comme complémentaires aux recherches d'ondes gravitationnelles par les réseaux de timing de pulsars (PTA). En identifiant les candidats EM avec une grande confiance, le pipeline facilite le suivi par ondes gravitationnelles ciblé et l'estimation conjointe des paramètres, permettant de contraindre les masses de chirp des SMBHB et les paramètres de la source plus précisément que les méthodes EM ou GW seules.

Les auteurs concluent que, bien qu'aucune méthode ne soit parfaite, la combinaison de la sélection de modèle NBS et GLSP offre le compromis optimal pour identifier les véritables candidats SMBHB à l'ère des relevés photométriques à grande échelle.