Modeling the probability distribution for cosmological analysis with photometrically classified samples

Résumé technique : Modélisation de la distribution de probabilité pour l'analyse cosmologique avec des échantillons classés photométriquement

Énoncé du problème
Les supernovae de type Ia (SNIa) ont joué un rôle déterminant dans l'établissement de l'accélération de l'expansion cosmique. Cependant, la transition des échantillons confirmés par spectroscopie vers les grands relevés photométriques (tels que le Dark Energy Survey, DES) a introduit un défi majeur : l'impossibilité de suivre spectroscopiquement une fraction significative des candidats. Cela nécessite l'utilisation de classificateurs photométriques, ce qui introduit inévitablement une contamination (événements non-Ia erronément classés comme SNIa) dans l'ensemble de données. Le problème central abordé dans ce travail est de savoir comment intégrer avec précision et efficacité cette contamination dans les analyses de vraisemblance cosmologique sans dégrader le pouvoir de contrainte des données. L'approche standard, basée sur le cadre BEAMS (Bayesian Estimation Applied to Multiple Species) et son extension BBC (BEAMS with Bias Corrections), modélise les données comme un mélange de deux distributions gaussiennes distinctes : l'une pour les SNIa et l'autre pour les contaminants non-Ia.

Méthodologie
Les auteurs proposent un modèle statistique simplifié, baptisé « Gaussienne à Moyenne Modifiée » (GMM), pour remplacer la vraisemblance standard à deux composantes. L'hypothèse fondamentale de l'approche GMM est que, après application de sélections de qualité, la fraction de contamination est suffisamment faible pour ne pas altérer significativement la forme de la distribution globale. Au lieu de cela, la contamination est modélisée comme un décalage dépendant du décalage vers le rouge de la moyenne d'une seule distribution gaussienne.

• Le modèle standard (Hlozek/BEAMS) : La vraisemblance est une somme pondérée de deux gaussiennes :
  $$P(\mu_i | \theta) = P_i P(\mu_i | \theta, \text{Ia}) + (1 - P_i) P(\mu_i | \theta, \text{nIa})$$
  où $P_i$ est la probabilité que l'événement soit une SNIa. La composante non-Ia est modélisée comme une gaussienne avec une moyenne $\eta(z_i, \theta, \phi)$ qui s'écarte du modèle cosmologique, souvent paramétrée par un polynôme.

• Le modèle proposé (GMM) : La vraisemblance est une gaussienne unique dont la moyenne est modifiée par la probabilité de contamination :
  $$\chi^2_i := \{\mu_i - \mu_{\text{th}}(z_i, \theta) - (1 - P_i) f(z_i, \phi)\}^2$$
  Ici, $f(z, \phi)$ représente l'écart causé par les événements non-Ia, paramétré comme un polynôme du troisième ordre. Le modèle suppose que la variance reste cohérente avec la distribution standard des SNIa, potentiellement augmentée par un terme de dispersion supplémentaire dû à la contamination.

Données et configuration
L'analyse utilise l'échantillon DES-Dovekie, comprenant 1 820 supernovae avec des ajustements de courbes de lumière par SALT3 et des estimations de module de distance par BBC. L'étude compare diverses configurations :

• Classificateurs : SNIRF, SCONE et SuperNNova (SNN).
• Seuils de probabilité : Aucun seuil ($P > 0\%$), $P > 50\%$ et $P > 90\%$.
• Paramètres de nuisance : Deux approches ont été testées : l'utilisation d'estimations BBC précalculées pour les paramètres de nuisance ($\alpha, \beta, M$) et l'ajustement simultané avec SALT3.
• Vérification de cohérence : Une configuration spécifique a été testée en utilisant la probabilité moyenne des trois classificateurs, filtrée par un critère de cohérence basé sur l'écart-type des estimations.

La comparaison des modèles a été effectuée en utilisant le facteur de Bayes ($B_{ij}$) et l'échelle de Jeffreys pour évaluer la preuve en faveur du modèle GMM par rapport au modèle Hlozek standard.

Résultats clés

1. Préférence de modèle : Le modèle GMM est fortement favorisé par rapport au modèle Hlozek standard sur toutes les configurations testées. Les facteurs de Bayes logarithmiques ($\ln B$) indiquent systématiquement une preuve « très forte » en faveur de l'approche GMM simplifiée, avec des valeurs allant de centaines à plus de 2 000 selon la configuration.
2. Performance des classificateurs :
   • Lors de l'utilisation d'estimations de distance BBC, les configurations utilisant les probabilités SCONE ont généralement produit une évidence bayésienne plus élevée que celles utilisant SNIRF.
   • Lors de l'ajustement simultané des paramètres de nuisance (ajustement SALT3), les probabilités SCONE avec un seuil de 50 % ($P > 50\%$) ont fourni les meilleures contraintes.
   • Le classificateur SNIRF a montré une sensibilité significative aux seuils de probabilité, en particulier dans le modèle GMM, où un seuil de 90 % a produit des résultats distincts des seuils inférieurs. Les résultats SCONE étaient plus stables à travers différents seuils.
3. Cohérence et contraintes : Une configuration utilisant la probabilité moyenne de SNIRF, SCONE et SNN (filtrée pour la cohérence) a démontré que les écarts entre les classificateurs étaient considérablement atténués. Dans ce scénario, le modèle GMM a démontré un pouvoir de contrainte supérieur par rapport au modèle Hlozek.
4. Paramètres cosmologiques : Les distributions marginalisées pour $\Omega_{m0}$ et $\Omega_{\Lambda0}$ ont montré un excellent accord entre les différents seuils de probabilité pour un même classificateur. Bien que de légers décalages aient été observés entre les classificateurs et entre les modèles GMM et Hlozek, les résultats étaient généralement en accord au sein du niveau de confiance de 68 %. Les configurations d'ajustement optimal pour GMM étaient cohérentes avec les résultats Pantheon+.

Signification et affirmations
L'article affirme que le modèle GMM proposé offre une alternative robuste et efficace au cadre BEAMS à deux composantes complexe pour l'analyse d'échantillons de supernovae classés photométriquement. En traitant la contamination comme un décalage dépendant du décalage vers le rouge de la moyenne plutôt que comme une composante de population distincte, les auteurs démontrent que :

• Le modèle simplifié est statistiquement préféré par les données (facteurs de Bayes forts).
• L'approche améliore le pouvoir de contrainte des données de supernovae photométriques.
• La méthode est moins sensible au choix spécifique des seuils de probabilité et des classificateurs lorsque des critères de cohérence sont appliqués.

Les auteurs concluent que cette vraisemblance simplifiée est une voie prometteuse pour les futures analyses cosmologiques, en particulier à mesure que les relevés photométriques continuent de croître en taille et que le besoin d'une gestion efficace de la contamination devient plus critique. Le travail ne prétend pas résoudre tous les problèmes liés à la classification photométrique, mais suggère que le traitement statistique spécifique de la contamination peut être considérablement simplifié sans perte de précision.