Timing Gamma-ray Pulsars using Gibbs Sampling

Riepilogo Tecnico: Temporizzazione di Pulsar a Raggi Gamma tramite Campionamento di Gibbs

Enunciato del Problema
Le analisi di temporizzazione delle pulsar a raggi gamma nei dati del Large Area Telescope (LAT) di Fermi offrono opportunità uniche per indagare processi astrofisici come il rumore di temporizzazione (TN) nelle pulsar giovani, le variazioni del periodo orbitale (OPV) nei sistemi binari e il fondo stocastico di onde gravitazionali (GWB). Tuttavia, i metodi esistenti di temporizzazione delle pulsar radio, che si basano su approssimazioni gaussiane delle incertezze sul tempo di arrivo (ToA), non sono direttamente applicabili ai dati a raggi gamma. I dati a raggi gamma consistono in tempi di arrivo discreti di fotoni, dove l'associazione di un fotone specifico alla pulsar è probabilistica piuttosto che certa. Inoltre, il profilo dell'impulso è spesso multi-picco e ampio, il che significa che la funzione di verosimiglianza per la fase rotazionale di un singolo fotone è non gaussiana e multimodale. I precedenti metodi non binnizzati (ad esempio, Pletsch & Clark 2015; Nieder et al. 2019) che ottimizzano le verosimiglianze di Poisson affrontano inefficienze quando adattano modelli di temporizzazione ad alta dimensionalità con componenti di rumore stocastico, soffrendo spesso del problema della "Imbuto di Neal" o richiedendo template fissi del profilo dell'impulso che ignorano le incertezze sulla forma.

Metodologia
Gli autori presentano un nuovo metodo che trasforma il problema della temporizzazione a raggi gamma in un problema di minimi quadrati ponderati risolvibile tramite campionamento di Gibbs. L'innovazione fondamentale consiste nell'introduzione di variabili latenti per assegnare ogni fotone a una specifica componente di un profilo dell'impulso a modello di miscela.

1. Formulazione delle Variabili Latenti: Gli autori introducono due vettori, $z$ e $m$, per ogni fotone. $z$ assegna un fotone a uno dei $K$ picchi gaussiani nel template del profilo dell'impulso, all'emissione non pulsata della pulsar o allo sfondo. $m$ assegna il fotone a una specifica rotazione intera (wrap) rispetto al modello di temporizzazione iniziale.
2. Verosimiglianza Condizionale: Fissando queste assegnazioni latenti, la complessa verosimiglianza del modello di miscela si riduce a un prodotto di distribuzioni gaussiane semplici. Ciò consente di trattare i parametri del modello di temporizzazione ($\theta$) e gli iperparametri del rumore ($\lambda$) all'interno di un framework di processo gaussiano, permettendo la marginalizzazione analitica.
3. Schema di Campionamento di Gibbs: Il metodo campiona iterativamente dalle distribuzioni condizionali:
   • Template e Variabili Latenti: Dati i parametri di temporizzazione correnti, il template del profilo dell'impulso ($\tau$) viene campionato tramite Metropolis-Hastings (MH). Successivamente, le assegnazioni dei fotoni ($z$) e i wrap di rotazione ($m$) vengono estratti in base al template corrente e al modello di temporizzazione.
   • Parametri di Temporizzazione e Rumore: Fissati il template e le assegnazioni, il problema diventa un adattamento standard di processo gaussiano. Gli autori campionano gli iperparametri del rumore ($\lambda$) tramite MH mirando alla verosimiglianza marginale, e successivamente campionano i parametri del modello di temporizzazione ($\theta$) dalla risultante distribuzione a posteriori multivariata gaussiana.
4. Variazioni del Periodo Orbitale (OPV): Per affrontare la sfida specifica delle OPV nelle binarie "spider" (black-widows e redbacks), gli autori modellano queste variazioni come un processo gaussiano utilizzando un'espansione di Fourier a rango ridotto (il modello "ORBWAVES" in PINT). Ciò tratta le OPV in modo simile al rumore di temporizzazione, consentendo di adattarle simultaneamente ad altri processi stocastici senza le forti correlazioni parametriche riscontrate nelle espansioni in serie di Taylor.

Contributi Chiave

• Nuovo Algoritmo: Sviluppo di un framework di campionamento di Gibbs che gestisce efficientemente la verosimiglianza non gaussiana a modello di miscela dei dati a raggi gamma, marginalizzando al contempo sulle forme incerte del profilo dell'impulso.
• Implementazione: Il metodo è implementato in un pacchetto Python denominato shoogle, che si interfaccia con il pacchetto di temporizzazione delle pulsar PINT.
• Modellazione delle OPV: Un modello specifico basato su processi gaussiani per le variazioni del periodo orbitale che evita le insidie delle espansioni di Taylor ad alta dimensionalità e consente un adattamento robusto dell'evoluzione orbitale complessa e stocastica.
• Adattamento Congiunto del Rumore: La capacità di adattare simultaneamente rumore di temporizzazione, variazioni del periodo orbitale e segnali di GWB in un unico framework statistico coerente.

Risultati

• Validazione su Sistemi Semplici: Applicato a PSR J1526−2744, il metodo di campionamento di Gibbs ha prodotto distribuzioni a posteriori indistinguibili da quelle ottenute utilizzando l'esistente campionamento completo della posterior basato su emcee, confermando l'accuratezza del metodo nel recuperare l'intera distribuzione a posteriori.
• Simulazioni di Rumore di Temporizzazione: Gli autori hanno simulato 200 pulsar con rumore di temporizzazione a legge di potenza iniettato. I grafici Probabilità-Probabilità (PP) hanno dimostrato che il metodo fornisce stime non distorte dell'ampiezza del TN e dell'indice spettrale, con incertezze che coprono correttamente i valori iniettati.
• Applicazione a PSR B1957+20: Il metodo è stato applicato alla binaria black-widow PSR B1957+20, un sistema noto per significative variazioni del periodo orbitale.
  • L'analisi ha modellato con successo le OPV come un processo gaussiano a spettro ripido.
  • Ha derivato un limite superiore di confidenza al 95% sull'ampiezza del GWB di $A_{GWB} < 4.6 \times 10^{-14}$, coerente con i limiti precedenti ma ottenuto marginalizzando simultaneamente sul profilo dell'impulso e adattando le OPV.
  • L'ampiezza frazionale delle variazioni del periodo orbitale è risultata essere $\sim 10^{-7}$, coerente con i precedenti risultati di temporizzazione radio.

Significato
L'articolo afferma che questo metodo consente una stima efficiente e robusta dei parametri del modello di temporizzazione e del rumore per le pulsar a raggi gamma, una capacità precedentemente limitata dall'inefficienza computazionale dei metodi non binnizzati esistenti o dalle imprecisioni degli approcci ToA binnizzati. Tenendo conto delle incertezze sulla forma del profilo dell'impulso e consentendo l'adattamento simultaneo di processi stocastici complessi (come OPV e GWB), il metodo migliora l'affidabilità delle analisi delle array di temporizzazione a raggi gamma (GPTA). Gli autori notano che questo approccio permette l'inclusione di binarie "spider" (spesso escluse dalle PTA radio a causa delle eclissi) e facilita future campagne congiunte di temporizzazione radio-raggi gamma, potenzialmente rompendo le degenerazioni tra le variazioni della misura di dispersione e i segnali di GWB. Il metodo è presentato come un passo fondamentale per analizzare la crescente popolazione di pulsar a raggi gamma e migliorare i vincoli sul fondo stocastico di onde gravitazionali.