A Novel Lensed Point Source Modeling Pipeline using GIGA-Lens with Application to SN Zwicky and SN iPTF16geu

Résumé Technique : Un nouveau pipeline de modélisation de sources ponctuelles lentillées utilisant GIGA-Lens

Problématique
L'article traite de la « tension de Hubble », un écart significatif (~5σ) entre les mesures de la constante de Hubble ($H_0$) dans l'univers précoce et l'univers tardif. Bien que les événements variables dans le temps fortement lentillés (quasars et supernovas) offrent une voie pour résoudre cette tension via les mesures de délais temporels, les supernovas (SN) lentillées sont rares. Les approches de modélisation existantes pour les sources ponctuelles lentillées sont confrontées à des défis spécifiques :

1. Inapplicabilité des méthodes basées sur les pixels : La modélisation de lentilles traditionnelle (par exemple, GIGA-Lens pour les sources étendues) repose sur la minimisation des différences pixel par pixel entre les images observées et modélisées. Cela échoue pour les sources ponctuelles car les positions des images modélisées en mode direct ne chevauchent souvent pas les positions observées au début de l'optimisation, ce qui entraîne des gradients nuls et une optimisation non informative.
2. Biais dans les fonctions de perte : Les tentatives précédentes utilisant uniquement les positions d'images ont tendance à pousser les échantillonneurs vers des régions de paramètres non physiques (par exemple, des pentes de masse $\gamma \sim 1$) qui minimisent les métriques de distance mais violent les contraintes physiques.
3. Rareté des données : De nombreuses supernovas lentillées manquent de lumière de galaxie hôte étendue détectable, empêchant l'utilisation des techniques de modélisation de sources étendues.
4. Incertitudes systématiques : La dégénérescence masse-feuille (MSD) et la nécessité d'une modélisation complète en mode direct (inférence simultanée de tous les paramètres) restent des obstacles critiques pour obtenir des contraintes précises de $H_0$ à partir de systèmes uniques.

Méthodologie
Les auteurs introduisent un nouveau pipeline de modélisation basé sur le cadre GIGA-Lens, utilisant la plateforme JAX pour fonctionner sur quatre GPU A100. L'innovation centrale est une fonction de perte différentiable conçue spécement pour les sources ponctuelles, utilisant uniquement les positions des centroïdes, les flux observés (ou magnifications) et les délais temporels, sans nécessiter de données de galaxie hôte étendue.

La fonction de vraisemblance $\log \mathcal{L}$ combine trois termes avec des poids relatifs déterminés empiriquement ($\omega_D, \omega_F, \omega_{TD}$) :

1. Compacité de la source dans le plan de la source ($\mathcal{L}_D$) : Au lieu d'une comparaison de pixels, le pipeline « dé-lentille » chaque position d'image observée vers le plan de la source en utilisant le modèle de lentille. La perte minimise la distance au carré entre ces positions dé-lentillées et leur moyenne, imposant que toutes les images proviennent d'une source ponctuelle unique.
2. Flux/Magnification ($\mathcal{L}_F$) : Pour contraindre la pente de masse et briser les dégénérescences, le pipeline modélise l'inverse du carré des magnifications observées. Une contribution technique clé est la décomposition de la fonction de magnification non différentiable (qui présente des singularités près des courbes critiques) en une composante lisse et différentiable. Cela permet l'utilisation de la différenciation automatique (AD) pour calculer les magnifications et leurs dérivées, évitant les approximations par différences finies et améliorant la vitesse de calcul de 20 à 40 %.
3. Délai temporel ($\mathcal{L}_{TD}$) : Le pipeline incorpore les délais temporels en minimisant la différence entre les potentiels de Fermat observés et prédits (ou les délais temporels directement, en traitant $H_0$ comme un paramètre libre).

Détails de l'implémentation technique :

• Différentiabilité et Bijecteurs : Pour gérer les limites de paramètres (par exemple, restreindre la pente de masse $\gamma > 1,5$) sans introduire d'instabilités numériques, les auteurs utilisent des bijecteurs pour mapper les espaces de paramètres non contraints vers des espaces physiques contraints.
• Schéma de pondération : Les auteurs démontrent que les poids relatifs entre les termes de perte ne peuvent pas être fixés uniquement par les incertitudes observationnelles. Ils emploient un schéma de pondération empirique où les poids sont augmentés (par exemple, pour le flux) afin de garantir que les composantes de la distribution postérieure contribuent de manière comparable lors de l'échantillonnage par Monte Carlo Hamiltonien (HMC), évitant ainsi un biais vers des solutions non physiques.
• Échantillonnage : Le pipeline utilise une optimisation en trois étapes : descente de gradient à multi-départs pour le Maximum a Posteriori (MAP), inférence variationnelle stochastique (SVI) pour un substitut gaussien, et HMC pour un échantillonnage complet de la distribution postérieure.

Résultats clés

• Systèmes simulés : Le pipeline a été testé sur cinq configurations de lentilles archétypales (croix, long cusp, court cusp, pli/fold, et double).

  • Il a réussi à récupérer les positions d'images, les flux et les délais temporels.
  • Il a contraint la pente de masse $\gamma$ en utilisant uniquement les données de source ponctuelle.
  • Pour un système simulé avec $H_0$ comme paramètre libre, le pipeline a atteint une incertitude statistique de $\sim 3,6\%$ ($\sim 2,5$ km s$^{-1}$ Mpc$^{-1}$) sur $H_0$ à partir d'un seul système en utilisant la modélisation complète en mode direct.
  • Les métriques de convergence ($\hat{R} < 1,01$ et ESS $\gtrsim 10^3$) ont été atteintes pour la plupart des systèmes, avec des temps de modélisation allant de quelques minutes à environ 23 minutes sur quatre GPU A100.

• Application à la SN iPTF16geu :

  • Le pipeline a modélisé le système en utilisant uniquement les quatre images de la SN lentillée (positions et magnifications), ignorant la galaxie hôte étendue.
  • La pente de masse inférée ($\gamma \approx 1,92$) et les autres paramètres étaient cohérents à $1\sigma$ avec les études précédentes (par exemple, Mörtsell et al. 2020) qui utilisaient la dispersion des vitesses et les données de la galaxie hôte.
  • Les résultats ont confirmé qu'un modèle de lentille lisse seul ne peut expliquer les anomalies de flux, soutenant l'hypothèse du microlentille.

• Application à la SN Zwicky :

  • Le pipeline a produit un modèle de meilleur ajustement alternatif par rapport aux études précédentes (Goobar et al. 2023 ; Pierel et al. 2023).
  • Les modèles précédents suggéraient une faible ellipticité et des images symétriques par rapport à la courbe critique, échouant à expliquer l'asymétrie de luminosité observée (les images A et C étant nettement plus brillantes que B et D).
  • Ce modèle a inféré une ellipticité plus élevée ($q \approx 0,38$) et une pente de masse $\gamma \approx 2,11$. Cette géométrie place les images A et C directement sur la courbe critique (expliquant leur luminosité) tandis que B et D sont plus éloignées.
  • Le modèle a prédit avec succès les positions observées, les flux et l'ordre révisé des délais temporels (l'image A arrivant en premier), ce qui est cohérent avec les mesures raffinées récentes (Larison et al. 2024).

Signification et affirmations
L'article affirme que :

1. Suffisance des données de source ponctuelle : Il est possible d'inférer des distributions de masse de lentilles complexes, y compris la pente de densité de masse $\gamma$, en utilisant uniquement les données de sources ponctuelles lentillées (positions, flux, délais temporels) sans informations sur la galaxie hôte étendue.
2. Modélisation complète en mode direct : L'inférence simultanée de tous les paramètres de la lentille et de $H_0$ est réalisable et fournit des contraintes précises (incertitude de 3,6 %) à partir d'un seul système, à condition que le système possède un rayon d'Einstein suffisamment grand ($\theta_E \gtrsim 1''$).
3. Robustesse aux singularités : L'approche basée sur la décomposition de la magnification permet une modélisation robuste des images proches des courbes critiques, un régime où les méthodes précédentes échouaient souvent ou nécessitaient une intervention manuelle.
4. Exploration de l'espace des paramètres : L'étude de cas de la SN Zwicky souligne l'importance d'explorer pleinement l'espace des paramètres ; le modèle des auteurs révèle une configuration physiquement plausible qui résout la tension entre la symétrie des images et l'asymétrie de luminosité, ce que les modèles précédents avaient manqué.
5. Efficacité : L'utilisation de JAX et l'accélération GPU permettent une modélisation rapide et statistiquement rigoureuse (atteignant des critères de convergence stricts $\hat{R} < 1,01$) en quelques minutes, ce qui en fait un outil pratique pour le nombre croissant de supernovas lentillées découvertes.

Les auteurs concluent que bien que l'accent actuel soit mis sur les SN Ia, le cadre est facilement extensible aux quasars et aux SN non-Ia via les rapports de flux, et peut être combiné avec la modélisation de la galaxie hôte pour des contraintes cosmologiques encore plus serrées.