NOMAI : A real-time photometric classifier for superluminous supernovae identification. A science module for the Fink broker

Il documento presenta NOMAI, un classificatore di machine learning in tempo reale integrato nel broker Fink che identifica con successo i candidati supernove superluminose (SLSNe) direttamente dai dati fotometrici di ZTF senza necessità di redshift spettroscopico, raggiungendo un'efficacia dimostrata nel recupero della maggior parte degli eventi noti.

L'essenziale

🌟 NOMAI: Il "Cacciatore di Stelle Esplose" in Tempo Reale

Immagina l'universo come un enorme oceano notturno. In questo oceano, ogni notte, sorgono milioni di "lampi" (stelle che esplodono, galassie che cambiano, asteroidi che passano). La maggior parte di questi lampi sono come lucciole comuni: brillano e svaniscono, ma non ci dicono molto di nuovo.

Tuttavia, ogni tanto, appare un fuoco d'artificio gigante, un'esplosione così potente e luminosa che illumina l'intero cielo. Questi sono i Supernove Superluminose (SLSNe). Sono eventi rarissimi, incredibilmente potenti, ma i loro segreti (come si formano e cosa li fa brillare così tanto) sono ancora un mistero per gli scienziati.

Il problema? Ce ne sono troppi!
Osservatori moderni come il telescopio ZTF (Zwicky Transient Facility) scattano centinaia di migliaia di foto ogni notte. È come cercare un ago in un pagliaio, ma il pagliaio è grande come un intero continente e l'ago è un fulmine che dura solo poche settimane. Gli astronomi non possono guardare a occhio nudo ogni singolo lampo per trovare quelli speciali.

È qui che entra in gioco NOMAI.

🤖 Che cos'è NOMAI?

NOMAI non è un astronomo stanco che beve caffè alle 3 di notte. È un intelligenza artificiale super-veloce, un "detective digitale" che lavora all'interno di un sistema chiamato Fink.

Pensa a Fink come a un grande ufficio postale che riceve milioni di lettere (i dati dei telescopi) ogni notte. NOMAI è l'impiegato robotico che legge queste lettere in tempo reale, le analizza e dice: "Ehi, questa qui sembra un fuoco d'artificio gigante! Avvisate subito gli esperti!".

🔍 Come funziona il detective?

NOMAI non ha bisogno di vedere la stella attraverso un telescopio gigante per capire di cosa si tratta (non ha bisogno di "spettroscopia", che è come analizzare la luce con un prisma, un processo lento e costoso).

Invece, NOMAI guarda la storia della luce della stella per gli ultimi 30 giorni. Immagina di guardare il profilo di una persona su un social network:

• Se la persona cambia foto ogni secondo, è un'esplosione veloce.
• Se la persona rimane uguale per mesi, è una stella normale.
• Se la persona diventa improvvisamente luminosissima e rimane così per un lungo periodo, è un candidato SLSN!

NOMAI usa una "ricetta matematica" (chiamata Rainbow e SALT2) per trasformare queste storie di luce in numeri e caratteristiche. Poi, confronta questi numeri con un libro di addestramento pieno di esempi di stelle esplose che gli astronomi hanno già identificato in passato.

🎓 L'allenamento del detective

Per diventare bravo, NOMAI ha dovuto studiare. Gli scienziati gli hanno mostrato 5.280 storie di stelle:

• La stragrande maggioranza erano stelle "normali" (esplosioni comuni, stelle che pulsano, galassie attive).
• Solo 225 erano le vere "Superluminose" che volevamo trovare.

È come dare a un bambino 1000 foto di gatti e solo 5 foto di tigri, e chiedergli di riconoscere la tigre. NOMAI ha imparato a vedere i dettagli sottili: la velocità con cui la luce sale, il colore (spesso blu), e quanto dura l'esplosione.

🏆 I risultati: Funziona davvero?

Dopo l'allenamento, NOMAI è stato messo al lavoro in tempo reale dal dicembre 2025. Ecco cosa ha fatto in due mesi:

1. Ha trovato quasi tutto: Su 24 supernove superluminose attive e conosciute dagli astronomi, NOMAI ne ha individuate 22. È come se un metal detector avesse trovato 22 monete d'oro su 24 nascoste nella sabbia!
2. Non è perfetto, ma è utile: A volte confonde una stella che cambia lentamente con una supernova (circa la metà delle volte). Ma per gli astronomi, è meglio avere una lista di "candidati promettenti" da controllare, piuttosto che perdere l'occasione di studiarle.

🚀 Perché è importante?

Immagina che tra poco arriverà un nuovo osservatorio, il Vera C. Rubin Observatory, che scriverà 10 milioni di lettere al giorno. Se provassimo a leggerle tutte a mano, impiegheremmo secoli.
NOMAI è il ponte verso il futuro. Dimostra che possiamo usare l'intelligenza artificiale per setacciare l'universo in tempo reale, trovare i tesori nascosti e avvisare gli umani: "Correte a guardare qui, c'è qualcosa di incredibile!".

In sintesi, NOMAI è il cacciatore di sogni stellari che ci aiuta a non perdere i momenti più spettacolari dell'universo, anche quando sono nascosti in mezzo a miliardi di stelle comuni. 🌌✨

Sommario tecnico

1. Il Problema

Le Supernove Superluminose (SLSNe) sono esplosioni stellari estremamente rare e luminose, con picchi di luminosità superiori di uno o due ordini di grandezza rispetto alle supernove standard. Nonostante la loro importanza come sonde cosmologiche ad alto redshift e per lo studio dei meccanismi fisici delle esplosioni (come il rallentamento di magnetar o l'interazione con materiale circumstellare), la loro identificazione è difficile a causa della loro intrinseca rarità.

I moderni sondaggi temporali, in particolare lo Zwicky Transient Facility (ZTF), generano centinaia di migliaia di alert ogni notte. Il follow-up spettroscopico di ogni candidato è impossibile. Pertanto, è fondamentale sviluppare strumenti automatizzati in grado di filtrare i flussi di dati in tempo reale, identificando i candidati SLSN basandosi esclusivamente sulla fotometria, senza richiedere redshift spettroscopici, per permettere un follow-up mirato.

2. Metodologia

Il paper presenta NOMAI, un classificatore di machine learning integrato nel broker di alert Fink, progettato per operare in tempo reale sul flusso di dati ZTF.

• Pipeline di Selezione e Filtraggio:

  • Filtro Transiente: Viene applicato un filtro iniziale (transient_complete) basato su 8 condizioni (es. luminosità, assenza di stelle vicine, non variabilità stellare) per rimuovere il 99% degli alert non transitori, riducendo il carico computazionale.
  • Criteri di Qualità: Per garantire dati sufficienti, si richiede una storia fotometrica di almeno 30 giorni, con più di 7 osservazioni totali e almeno 3 per filtro (g e r). Questo bilancia la necessità di purezza con la tempestività della classificazione.

• Dataset di Addestramento:

  • Il dataset è costruito aggregando sorgenti ZTF passate attraverso i filtri sopra citati, etichettate tramite Fritz, il Transient Name Server (TNS) e campioni di letteratura.
  • Sono stati inclusi circa 200 contaminanti non transitori (stelle, AGN) per insegnare al modello a non confonderli con le SLSN.
  • Pseudo-alert: Per simulare l'ambiente in tempo reale, ogni curva di luce completa viene decomposta in "pseudo-alert" rimuovendo iterativamente le osservazioni più recenti. Questo genera un dataset di addestramento rappresentativo delle diverse fasi evolutive di un transiente.
  • Il dataset finale contiene 5280 sorgenti uniche, di cui 225 SLSN confermate spettroscopicamente.

• Estrazione delle Caratteristiche (Feature Extraction):

  • Le curve di luce vengono trasformate in un set di 27 caratteristiche numeriche fisicamente motivate:
    1. Modelli Fisici: Utilizzo del framework Rainbow (adattamento a corpo nero multibanda) per modellare l'evoluzione del flusso (funzione Bazin) e della temperatura (funzione sigmoide decrescente). Vengono estratti parametri come tempo di salita, ampiezza e temperature.
    2. Modelli SALT2: Un fit SALT2 viene eseguito per catturare le caratteristiche delle Supernove di Tipo Ia (stretch $x_1$, colore $c$), utili per escludere questa classe dominante.
    3. Caratteristiche Statistiche: Grandezze derivate direttamente dai dati grezzi (es. pendenza massima, skewness, durata, distanza angolare dalla stella più vicina).
  • Viene applicato un criterio aggiuntivo basato sulla magnitudine assoluta stimata tramite redshift fotometrico (SDSS) per azzerare la probabilità di SLSN se la luminosità è inferiore a -19.75 mag.

• Algoritmo di Classificazione:

  • Viene utilizzato un classificatore XGBoost.
  • Per gestire lo sbilanciamento del dataset (le SLSN sono solo il ~4% delle sorgenti), i pesi delle classi sono invertiti rispetto alla loro frequenza.
  • L'ottimizzazione degli iperparametri è stata effettuata tramite una ricerca a griglia casuale massimizzando il punteggio F1-score.

3. Risultati Chiave

• Performance sul Dataset di Addestramento:

  • Il classificatore raggiunge una completezza del 66% e una purezza del 58% sulla soglia ottimale (score > 0.35).
  • Questo significa che il modello riesce a identificare circa 2 SLSN su 3 utilizzando solo la fotometria, senza redshift spettroscopico.
  • L'analisi di importanza delle caratteristiche rivela che il parametro di "stretch" ($x_1$) del modello SALT2 e il $\chi^2$ del fit Rainbow sono i fattori più discriminanti.

• Performance in Tempo Reale (Operatività Fink):

  • NOMAI è operativo sul flusso ZTF dal 18 dicembre 2025.
  • In un periodo di valutazione di due mesi (fino al 18 febbraio 2026), il sistema ha identificato 22 delle 24 SLSN attive riportate sul TNS, suggerendo una completezza molto elevata (fino al 92% per le sorgenti note).
  • Su 83 candidati unici identificati, 39 sono stati confermati come veri positivi (inclusi 22 confermati TNS), mentre 32 sono risultati falsi positivi (principalmente AGN o problemi fotometrici).

• Integrazione e Utilizzo:

  • Il sistema pubblica quotidianamente i candidati su canali Slack dedicati, fornendo contesto immediato (classificazione TNS, redshift fotometrico, curve di luce, immagini), facilitando il lavoro degli esperti.

4. Contributi Principali

1. Primo Classificatore SLSN in Tempo Reale su Fink: NOMAI è un modulo scientifico integrato che opera direttamente sul flusso di alert, fornendo classifiche notturne automatiche.
2. Approccio Fisico-Motivato: A differenza di metodi puramente basati su deep learning "black-box", NOMAI utilizza caratteristiche derivate da modelli fisici (Rainbow, SALT2), rendendo il processo interpretabile e robusto.
3. Gestione dello Sbilanciamento e dei Contaminanti: La strategia di creazione del dataset (pseudo-alert) e l'inclusione mirata di contaminanti (AGN, stelle) migliorano la robustezza del modello in scenari reali.
4. Validazione Operativa: Il paper non si limita a simulazioni, ma riporta metriche reali ottenute durante due mesi di funzionamento continuo su dati ZTF.

5. Significato e Prospettive Future

Il lavoro dimostra che l'identificazione automatizzata delle SLSN è fattibile e necessaria per gestire il volume di dati dei sondaggi moderni.

• Impatto Scientifico: NOMAI permette di scansionare efficientemente il flusso di alert, portando all'individuazione di candidati promettenti che altrimenti potrebbero essere persi o ritardati nel follow-up spettroscopico.
• Preparazione per LSST: Il sistema è progettato per essere scalabile e sarà adattato per il Legacy Survey of Space and Time (LSST) del Vera C. Rubin Observatory. Con LSST che genererà milioni di alert, strumenti come NOMAI diventeranno essenziali per la scoperta di un numero senza precedenti di eventi transitori estremi.
• Limitazioni: L'attuale requisito di 30 giorni di dati potrebbe ritardare l'identificazione di SLSN a evoluzione rapida. Il lavoro futuro mirerà a ridurre questo tempo e a incorporare informazioni sulla galassia ospite per migliorare la purezza.

In conclusione, NOMAI rappresenta un passo significativo verso l'astronomia di transiente guidata dai dati, fornendo uno strumento cruciale per la comunità astronomica nell'era dei grandi sondaggi.