A Hybrid Framework for Kilonova Anomaly Detection using Single-Epoch SEDs from the 7-Dimensional Telescope

Titolo: Un Framework Ibrido per la Rilevazione di Anomalie nelle Kilonova utilizzando SED a Singolo Epoch dal Telescopio 7-Dimensionale

1. Il Problema

L'astronomia temporale sta entrando in un'era senza precedenti con l'avvento del Legacy Survey of Space and Time (LSST) dell'Osservatorio Vera C. Rubin, che genererà fino a $10^7$ alert per notte. Identificare rapidamente e affidabilmente eventi rari e scientificamente preziosi, come le Kilonova (KNe) (controparti elettromagnetiche delle fusioni di stelle di neutroni), all'interno di questo flusso di dati è una sfida critica.
Le KNe sono intrinsecamente deboli, evolvono rapidamente e sono spesso confuse con "impostori" come supernove (SNe), nuclei galattici attivi (AGN), variabili stellari e asteroidi. I metodi tradizionali di classificazione presentano limiti:

• Spettroscopia: Fornisce la classificazione più affidabile ma è spesso impraticabile per sorgenti deboli o in rapida evoluzione a causa dei tempi di osservazione e del rapporto segnale-rumore (SNR) richiesti.
• Fotometria multi-epoch: Richiede monitoraggio temporale, introducendo latenze critiche durante le fasi iniziali di un evento. Inoltre, alcuni impostori (es. variabili LBV) possono mimare il comportamento delle KNe per diversi giorni.
• Necessità: È richiesto un metodo in grado di classificare le sorgenti basandosi su un singolo "istantanea" (single-epoch) dello Spettro di Energia Emissiva (SED), evitando la latenza delle curve di luce temporali.

2. Metodologia

Gli autori hanno sviluppato un framework ibrido specifico per il 7-Dimensional Telescope (7DT), un sistema unico composto da 20 telescopi da 0.5m che operano simultaneamente in Chile, permettendo l'acquisizione di dati fotometrici a bande medie (medium-band) in un singolo epoch.

• Dati e Simulazione:

  • È stato creato un simulatore (7DT-Simulator) per generare fotometria sintetica realistica, tenendo conto della sensibilità per filtro, della trasmissione atmosferica e del rumore di fondo.
  • Il dataset di addestramento include 8 classi di transienti comuni (SNe Ia/Ibc/II, SLSNe, TDE, AGN, variabili stellari, asteroidi) derivati da archivi spettrali (OSC, WISeREP) e modelli teorici.
  • Le KNe sono trattate come anomalie: non sono state incluse nel training del classificatore supervisionato, ma il modello è stato addestrato solo su dati "normali" (non-KN) per imparare la distribuzione di fondo.

• Architettura del Modello Ibrido:

  1. Classificatore Supervisionato (Multi-classe): Utilizza XGBoost (confrontato con LightGBM e CatBoost) per classificare i transienti nelle 8 classi note. Gli input sono gli indici di colore (differenze di magnitudine tra coppie di filtri) derivati dalle 20 o 40 bande medie del 7DT.
  2. Rilevatore di Anomalie (Unsupervised): Utilizza l'algoritmo Isolation Forest (iForest) per identificare eventi che si discostano dalla distribuzione appresa dei transienti "normali", flaggandoli come potenziali KNe.
  3. Decisione Combinata: Un evento è considerato una KNe (anomalia) solo se soddisfa due condizioni simultanee (logica AND):
     • Alta incertezza di classificazione dal modello supervisionato ($1 - P_{max}$, dove $P_{max}$ è la probabilità massima assegnata a una classe nota).
     • Alto punteggio di anomalia dall'Isolation Forest ($P_{ano}$).
     • Le soglie ottimali sono state determinate massimizzando la statistica di Youden ($J$).

• Analisi delle Caratteristiche: È stata utilizzata l'analisi SHAP (SHapley Additive exPlanations) per determinare l'importanza dei singoli filtri e delle combinazioni di colori, permettendo di ottimizzare le configurazioni dei filtri.

3. Contributi Chiave

• Framework Ibrido per Single-Epoch: Dimostrazione che l'uso combinato di un classificatore supervisionato e di un rilevatore di anomalie su dati SED a singola osservazione è efficace per isolare le KNe senza bisogno di dati multi-epoch.
• Ottimizzazione dei Filtri: L'analisi SHAP rivela che solo il 40-50% dei filtri più informativi (principalmente quelli che campionano caratteristiche spettrali come H$\alpha$ e Si II) è sufficiente per mantenere le prestazioni di base, suggerendo strategie osservative flessibili.
• Sinergia 7DT-LSST: Dimostrazione che combinare un sottoinsieme ottimizzato di filtri 7DT con una singola banda larga di LSST (es. banda $y$ o $u$) riproduce l'accuratezza del modello completo con 40 filtri, con un guadagno minimo ma significativo.
• Validazione su Dati Reali: Il framework è stato testato su dati osservativi reali del 7DT (SN 2025fvw, SN 2024diq, AT 2024ett) e sulla KNe storica AT 2017gfo.

4. Risultati

• Prestazioni di Classificazione Multi-classe:
  • Con il set di 20 filtri: Macro F1 $\approx$ 0.80.
  • Con il set di 40 filtri: Macro F1 $\approx$ 0.82.
  • Le SNe Ia sono classificate con alta precisione (F1 $\approx$ 0.87-0.90). Le SNe Ibc mostrano una certa confusione con le SNe II.
• Rilevazione delle KNe (Anomalie):
  • Il framework recupera >90% delle KNe simulate e osservate (incluso AT 2017gfo) con una frazione di contaminazione (falsi positivi da non-KN) bassa, intorno al 10%.
  • L'uso esclusivo del rilevatore di anomalie porterebbe a un FPR (False Positive Rate) del ~50%; l'aggiunta del vincolo di incertezza del classificatore riduce drasticamente i falsi positivi mantenendo alta la recall.
  • AT 2017gfo è stata correttamente identificata come anomala in tutte le epoche tranne la prima (+1.43 giorni), dove lo spettro quasi featureless e blu è stato scambiato per un asteroide (un problema risolvibile con controlli contestuali come il moto o l'associazione con la galassia ospite).
• Importanza dei Filtri:
  • I filtri nella parte rossa dello spettro (>700 nm) contribuiscono poco alle prestazioni a causa della minore sensibilità strumentale e del maggiore scatter fotometrico.
  • I filtri più critici sono quelli intorno a H$\alpha$ (650-675 nm) e Si II (600-625 nm).
• Limiti:
  • Il training è sbilanciato verso redshift bassi ($z < 0.15$), il che potrebbe limitare le prestazioni su eventi più distanti dove le caratteristiche spettrali si spostano fuori dalle bande medie.
  • Le KNe molto deboli o dominate da ejecta ricchi di lantanidi (rosse) potrebbero essere meno rilevabili.

5. Significato e Implicazioni

Questo lavoro dimostra che il sistema a bande medie del 7DT, combinato con un approccio di machine learning ibrido, abilita una classificazione rapida, interpretabile e scalabile basata su dati a singolo epoch.

• Follow-up delle Onde Gravitazionali: Il metodo è ideale per la triage rapida di candidati nelle grandi aree di localizzazione delle onde gravitazionali, riducendo il tempo di risposta necessario per confermare le controparti elettromagnetiche.
• Filtraggio dei Flussi di Alert: Può essere integrato nei flussi di alert di LSST/Rubin per filtrare efficacemente i transienti comuni e isolare quelli rari.
• Scoperta Serendipica: Permette la scoperta di transienti inaspettati durante i survey di larga scala.
• Efficienza Operativa: La capacità di ottenere prestazioni quasi ottimali con un sottoinsieme di filtri o combinando dati 7DT con LSST offre flessibilità operativa cruciale in scenari con risorse limitate o vincoli di tempo.

In sintesi, lo studio fornisce un modello robusto per la gestione della futura inondazione di dati temporali, trasformando la sfida della classificazione delle KNe da un problema di latenza temporale a una soluzione basata su dati spettrali istantanei.