HOLISMOKES XXI: Detecting strongly lensed type Ia supernovae from time series of multi-band LSST-like imaging data -- Part II

Sintesi Tecnica: HOLISMOKES XXI – Rilevamento di Supernove di Tipo Ia Fortemente Lensed da Serie Temporali Multi-Banda

Enunciato del Problema
Le supernove fortemente lente gravitazionalmente (LSNe), in particolare quelle di Tipo Ia, sono sonde rare ma critiche per la cosmologia, specificamente per la cosmografia basata sui ritardi temporali (TDC) al fine di misurare la costante di Hubble ($H_0$) e vincolare l'energia oscura. I futuri sondaggi nel dominio temporale, come il Legacy Survey of Space and Time (LSST) dell'Osservatorio Vera C. Rubin, dovrebbero rilevare centinaia di LSNe. Tuttavia, il volume enorme di avvisi ($\sim 10^7$ per notte) rende impossibile l'ispezione manuale. L'identificazione precoce è essenziale per consentire un tempestivo follow-up per la modellazione della massa e gli studi sui progenitori. I metodi precedenti spesso si basano sulla risoluzione di immagini multiple o sul rilevamento di archi della galassia ospite, il che è difficile per sistemi con piccole separazioni o durante le fasi iniziali di un'esplosione. Inoltre, distinguere le LSNe dai falsi positivi – come supernove che si verificano nella galassia lente stessa in primo piano – rappresenta una sfida significativa.

Metodologia
Questo lavoro estende il framework di deep learning introdotto in HOLISMOKES XVII (Bag et al. 2026) per rilevare direttamente le LSNe Ia da ritagli di immagini multi-banda e multi-epoca. La metodologia centrale impiega un'architettura Convolutional Long Short-Term Memory (ConvLSTM) per catturare simultaneamente le correlazioni spaziali e temporali nei dati di imaging in serie temporali.

I principali avanzamenti metodologici rispetto allo studio precedente includono:

1. Miglioramento del Realismo nelle Simulazioni: Il dataset di addestramento è stato aggiornato da Hyper Suprime-Cam (HSC) Public Data Release 2 (PDR2) a PDR3, aumentando la dimensione del campione di circa il $50\%$.
2. Incorporazione di Caratteristiche di Lente: Le simulazioni includono ora archi realistici di galassie ospiti lente. Galassie reali dal Hubble Ultra Deep Field (HUDF) sono utilizzate come galassie ospiti, tracciate tramite raggi attraverso modelli di lente per generare archi lensati sul piano dell'immagine.
3. Condizioni Osservative Dinamiche: A differenza del precedente approccio statico, questo lavoro introduce variazioni da epoca a epoca nella Funzione di Dispersione del Punto (PSF) e nel rumore di Poisson. Una pipeline auto-coerente genera serie temporali da osservazioni a singola epoca variando il seeing e aggiornando le mappe di varianza per riflettere il flusso iniettato e le condizioni di rumore variabili.
4. Modellazione Migliorata dei Transienti: Le curve di luce sono modellate utilizzando il template spettrale SALT2 (sostituendo il template Hsiao), incorporando variazioni intrinseche nello stiramento e nel colore.
5. Classi Negative Sfide: È stata introdotta una nuova classe negativa (Set N2), composta da supernove di Tipo Ia che si verificano nella galassia lente in primo piano stessa. Queste sono falsi positivi motivati astrofisicamente che sono difficili da distinguere dalle LSNe genuine, specialmente quando la sorgente di sfondo è anch'essa lensata. Il dataset include anche variabili HSC e SNe normali in LRG e galassie a spirale.

Il modello elabora ritagli di immagini di $59 \times 59$ pixel ($\sim 10'' \times 10''$) attraverso le bande $g, r, i, z$. Utilizza un'architettura a due rami: un ramo ConvLSTM per le sequenze di immagini e un ramo LSTM per i timestamp delle osservazioni, con le caratteristiche concatenate per la classificazione finale.

Risultati Chiave
Il modello dimostra prestazioni robuste in queste condizioni più realistiche:

• Convergenza Rapida: Le curve ROC (Receiver Operating Characteristic) migliorano rapidamente durante le prime osservazioni. Alla 7ª osservazione ($N_{obs, m-b} = 7$), il modello raggiunge un Tasso di Vero Positivo (TPR) di $\sim 60\%$ a un Tasso di Falso Positivo (FPR) di $O(10^{-4})$. Alla 10ª osservazione, il TPR sale a $\sim 80\%$ allo stesso FPR.
• Robustezza alla Complessità: Nonostante l'inclusione di PSF variabili nel tempo, rumore di Poisson e la difficile classe negativa "SN in lente", le prestazioni rimangono comparabili allo studio precedente, indicando la resilienza del metodo alle complessità osservative.
• Analisi dei Falsi Positivi: Le principali fonti di falsi positivi sono le SNe nelle lenti (Set N2) e le SNe nelle LRG (Set N3). Queste sottoclassi dominano il budget dell'FPR, specialmente nelle epoche iniziali. Tuttavia, il modello sopprime efficacemente questi contaminanti a soglie di punteggio conservative (ad esempio, $P_{th} > 0.8$).
• Impatto degli Archi dell'Ospite e degli Spostamenti: I sistemi con archi di galassie ospiti rilevabili mostrano prestazioni leggermente migliori nelle fasi iniziali a causa di informazioni spaziali aggiuntive, ma questo vantaggio diminuisce man mano che si accumulano più dati temporali. Allo stesso modo, le prestazioni di classificazione sono in gran parte insensibili allo spostamento tra la SN e il centro della sua galassia ospite, sebbene i sistemi con spostamenti più piccoli ($< 0.4''$) mostrino un miglioramento marginale.
• Supernove Fratelli: Il modello è stato testato su un campione di "SN fratelli" (due SN nella stessa galassia). Sebbene una piccola frazione di queste mimetizzi configurazioni lensate (in particolare quelle con grandi angoli proiettati), la maggior parte viene correttamente classificata come non lensata.

Significato e Affermazioni
Gli autori affermano che l'approccio basato su serie temporali di immagini rimane robusto quando esteso a condizioni osservative e configurazioni astrofisiche più realistiche. Lo studio dimostra che:

1. L'Identificazione Precoce è Fattibile: Il modello può distinguere le LSNe da altri transienti con alta confidenza utilizzando solo un piccolo numero di osservazioni iniziali, il che è critico per consentire il follow-up prima del picco di luminosità.
2. Il Realismo non Degrada le Prestazioni: L'incorporazione di PSF dinamiche, rumore realistico e classi negative difficili non ostacola significativamente la capacità del modello di apprendere le caratteristiche necessarie.
3. Adeguatezza per LSST: Il framework è ben adatto per ricerche in tempo reale in LSST e altri sondaggi nel dominio temporale. Gli autori notano che la cadenza migliorata di LSST rispetto alle simulazioni basate su HSC utilizzate qui dovrebbe ulteriormente potenziare le capacità di identificazione precoce.

Il documento conclude che, sebbene il presente studio utilizzi dati HSC come proxy per LSST, la metodologia è pronta per la transizione ai prodotti dati LSST e può essere estesa ad altri tipi di transienti (ad esempio, SNe a collasso del nucleo, TDE) in lavori futuri.