Classification of blazars based on data-driven approaches

Résumé Technique : Classification des Blazars Basée sur des Approches Fondées sur les Données

Énoncé du Problème
Les Noyaux Galactiques Actifs (AGN), en particulier les blazars, présentent une variabilité distinctive dans leurs courbes de lumière optiques. Cependant, une classification robuste des blazars (comprenant les objets BL Lac et les quasars radio à spectre plat ou FSRQ) basée uniquement sur les données optiques est complexe. Dans la bande optique, l'émission de jet non thermique hautement variable caractéristique des blazars peut être contaminée ou atténuée par la lumière constante de la galaxie hôte et par l'émission thermique modérément variable du disque d'accrétion et de la région de la ligne large (BLR). Par conséquent, les blazars peuvent ressembler à des AGN normaux, ce qui fait de la variabilité optique seule un classificateur insuffisant sans confirmation multi-longueurs d'onde. Bien que les données gamma offrent une signature de jet plus pure, elles sont limitées aux sources les plus brillantes et nécessitent un suivi spectroscopique pour une classification définitive, ce qui est gourmand en ressources. Ce travail répond au besoin d'une stratégie de classification alternative reposant exclusivement sur les courbes de lumière optiques pour distinguer les blazars des AGN non-blazars.

Méthodologie
L'étude utilise des données de courbes de lumière optiques provenant des relevés Gaia DR3 (bande G, 2014–2017) et Pan-STARRS (courbes de lumière composites, 2010–2014). Le jeu de données comprend :

• Sources Connues : Environ 2 500 blazars (issus du catalogue Roma-BZCAT) et un ensemble équilibré d'environ 2 500 AGN non-blazars (issus du catalogue Gaia des AGN variables).
• Sources Inconnues : 21 733 candidats AGN dépourvus de contreparties dans d'autres catalogues.

L'extraction de caractéristiques a été réalisée à l'aide de la bibliothèque FATS (Feature Analysis for Time Series) pour générer des descripteurs statistiques standards (ex. : amplitude, autocorrélation, percentiles de flux) et des algorithmes personnalisés basés sur des méthodes de la littérature (ex. : modèles de marche aléatoire amortie ou Damped Random Walk). Un total d'environ 70 caractéristiques a été initialement extrait et normalisé.

La méthodologie centrale emploie deux approches d'apprentissage automatique :

1. Classification Supervisée (LightGBM) : Un modèle Light Gradient-Boosting Machine a été entraîné sur le jeu de données « connu » en utilisant une stratégie de validation croisée à cinq plis. Les hyperparamètres ($learning\_rate$, $n\_estimators$, $colsample\_bytree$) ont été optimisés via GridSearchCV.
2. Apprentissage Semi-Supervisé (Classificateur d'Auto-Entraînement - STC) : Pour classer les objets « inconnus », une boucle d'auto-entraînement a été implémentée. Un modèle LightGBM initial, entraîné sur les données connues, a assigné de manière itérative des pseudo-étiquettes aux objets non étiquetés présentant une confiance élevée (seuil > 0,95), élargissant ainsi l'ensemble d'entraînement jusqu'à convergence.

Sélection de Caractéristiques
Pour traiter la haute dimensionnalité de l'espace des caractéristiques, l'algorithme BoostBoruta (une extension de Boruta utilisant le gradient boosting) a été appliqué. Cette méthode identifie les caractéristiques pertinentes en comparant les caractéristiques originales à des caractéristiques « ombres » randomisées. Les valeurs SHAP (SHapley Additive exPlanations) ont été intégrées pour améliorer la sélection des caractéristiques et l'interprétabilité, quantifiant les contributions individuelles des caractéristiques aux prédictions du modèle.

Résultats Clés

• Performance Supervisée : Le modèle LightGBM a atteint une précision de 86 % (±0,012) sur le jeu de données connu. La précision, le rappel et le score F1 pour les deux classes (blazar et non-blazar) ont dépassé 80–85 %.
• Réduction des Caractéristiques : BoostBoruta a réussi à réduire l'espace des caractéristiques d'environ 70 à 13 caractéristiques clés (incluant Mean, Eta_e, DRW_tau, CAR_sigma, etc.) tout en maintenant une performance comparable à celle du jeu complet (Précision : 0,856 ± 0,012).
• Performance Semi-Supervisée : Le classificateur d'auto-entraînement a atteint une précision de 85 % (±0,013) sur l'ensemble étendu comprenant les 21 733 objets inconnus. Les mesures de performance sont restées cohérentes avec la référence supervisée, validant la fiabilité de l'approche par pseudo-étiquetage.
• Importance des Caractéristiques : Les trois caractéristiques les plus critiques identifiées à travers toutes les expériences sont la Moyenne (Mean, magnitude moyenne), Eta_e (ratio de la différence de magnitude successive au carré de la moyenne sur la variance) et DRW_tau (temps de relaxation issu d'un modèle de marche aléatoire amortie). Ces caractéristiques reflètent la dichotomie physique entre la variabilité rapide et intense des blazars et l'évolution plus lisse des AGN dominés par le disque.

Signification et Revendications
L'article affirme que sa principale contribution est de démontrer la faisabilité de la classification des blazars par rapport aux AGN non-blazars en utilisant uniquement des données de séries temporelles optiques, sans dépendre d'informations multi-longueurs d'onde (radio, rayons X, rayons gamma) ou d'un suivi spectroscopique. Les auteurs soulignent que cette approche tire parti de l'abondance et de l'accessibilité des données issues de relevés à grande échelle tels que Gaia, Pan-STARRS et le futur Rubin-LSST.

L'étude souligne qu'en dépit du chevauchement physique des signatures de variabilité optique entre les blazars et d'autres AGN, les méthodes fondées sur les données peuvent parvenir à une discrimination robuste. L'application réussie de l'auto-entraînement à un vaste groupe de candidats non étiquetés suggère que cette méthodologie peut s'adapter aux relevés futurs, identifiant potentiellement des dizaines de milliers de nouveaux candidats blazars. Ce travail établit une base pour des études de population efficaces des AGN utilisant uniquement la variabilité optique, répondant ainsi aux limites des goulots d'étranglement de classification actuels.