Updating the PATH framework with FRB host galaxy models

Sintesi Tecnica: Aggiornamento del Framework PATH con Modelli di Galassie Ospitanti per FRB

Definizione del Problema
L'identificazione delle galassie ospitanti per i Rapidi Burst Radio (FRB) è fondamentale per comprendere i loro progenitori e per utilizzare la popolazione di FRB per studiare la distribuzione cosmologica del gas ionizzato tramite la relazione redshift-dispersione della misura (DM). La metodologia standard per associare gli FRB alle galassie ospitanti è il framework bayesiano Probabilistic Association of Transients to their Hosts (PATH). Tuttavia, l'attuale applicazione di PATH affronta due limitazioni primarie:

1. Prior Generici: Il framework si affida a distribuzioni di prior semplificate per le magnitudini e gli offset delle galassie ospitanti, sviluppate quando se ne sapeva poco sugli host degli FRB. Attualmente non incorpora prior fisicamente motivati derivati dal DM dell'FRB, che fornisce un limite superiore stringente sulla distanza e, di conseguenza, sulla magnitudine apparente.
2. Bias di Soglia: L'interpretazione dell'output di PATH spesso comporta lo scarto dei candidati host con probabilità posteriori inferiori a una soglia arbitraria (ad esempio, 90%). Questo approccio non tiene conto dell'intera distribuzione posteriore pesata su tutte le proprietà dei candidati, rischiando potenzialmente di introdurre un bias nelle proprietà intrinseche inferite degli host degli FRB.

Metodologia
Gli autori estendono il framework PATH per incorporare prior fisicamente motivati basati sulla magnitudine apparente attesa ($m_r$) di una galassia ospite in funzione del redshift ($z$). La metodologia comprende tre componenti principali:

1. Estensione del Framework: Gli autori ridefiniscono le probabilità posteriori di PATH per tenere esplicitamente conto della probabilità di osservare un set specifico di galassie candidate ($x, N_O$) dato che il vero host sia un candidato specifico ($O_i$) o non visto ($U$). Introducono un fattore di normalizzazione basato sulla densità numerica angolare delle galassie $\rho(m)$, garantendo che i prior siano aggiornati correttamente in base alla profondità dell'immagine osservata e alla magnitudine specifica dei candidati.
2. Modelli di Magnitudine dell'Host ($P(m_r|z)$): Sono stati sviluppati tre modelli distinti per predire la distribuzione delle magnitudini delle galassie ospitanti dato un redshift:
   • Marnoch23 (Empirico): Un fit gaussiano sulle curve $m_r(z)$ osservate di 23 noti host di FRB (Marnoch et al. 2023). Questo modello è guidato dai dati ma limitato a $z < 0.5$ ed è soggetto ai bias di selezione del campione originale.
   • Loudas25 (Predittivo): Un modello basato sul pacchetto GALFRB, che genera popolazioni di galassie pesate per massa stellare ($M_*$) e tasso di formazione stellare (SFR). Il modello utilizza un parametro di miscelazione $f_{SFR}$ per interpolare tra le distribuzioni pesate sulla massa e quelle pesate sulla SFR, permettendo test sul fatto se gli FRB seguano la formazione stellare o la massa stellare.
   • Naive (Parametrico): Un modello generico che assume una distribuzione fissa di magnitudini assolute ($M_r$) scalata alla magnitudine apparente tramite la distanza di luminosità e un termine di correzione $K$ semplificato. Questo modello non contiene assunzioni astrofisiche sull'origine degli FRB.
3. Integrazione con il DM: I modelli sono combinati con la distribuzione di probabilità del redshift dato il DM extragalattico, $P(z|DMEG)$, calcolata utilizzando il codice ZDM. Ciò consente il calcolo dei prior $P(O_i)$ e $P(U)$ per ogni FRB in base al suo specifico DM e alla profondità del follow-up ottico dell'immagine.

Il framework è applicato a 32 FRB rilevati dalla Australian SKA Pathfinder (ASKAP) in modalità sum incoerente (ICS) dalla survey CRAFT, per i quali sono disponibili dati di follow-up ottico (VLT/FORS2).

Contributi Chiave

• Aggiornamento Formale di PATH: Il lavoro fornisce un aggiornamento matematico rigoroso al framework PATH, correggendo la normalizzazione dei prior per tenere conto della probabilità che l'host sia non visto ($P(U)$) e della specifica distribuzione di magnitudine del campo osservato.
• Prior Fisicamente Motivati: Introduce la capacità di utilizzare il DM di un FRB per informare la probabilità a priori della magnitudine apparente della sua galassia ospite, andando oltre le assunzioni generiche.
• Confronto tra Modelli: Stabilisce un framework comparativo per tre modelli di distribuzione della magnitudine degli host degli FRB, confrontandoli con un campione di 32 FRB ASKAP/ICS.
• Quantificazione del Bias: Il lavoro quantifica il bias introdotto dai precedenti metodi di soglia per gli "host certi" e dimostra come i nuovi prior spostino le probabilità posteriori.

Risultati

• Aumento della Confidenza: L'applicazione del framework PATH aggiornato con i nuovi prior aumenta la fiducia nelle galassie ospitanti più probabili per il campione ASKAP/ICS. Molti candidati precedentemente sotto la soglia "ferma" (ad esempio, FRB 20210807D e FRB 20240210A) vengono promossi ad associazioni quasi certe ($P(O|x) \approx 1.0$).
• Distribuzione della Magnitudine dell'Host:
  • Il modello Loudas25 produce un parametro di miscelazione di best-fit $f_{SFR} = 3.0$. Questo valore è non fisico (superiore all'intervallo $0 \le f_{SFR} \le 1$), ma indica che la vera distribuzione degli host degli FRB è significativamente più debole di una distribuzione pesata puramente sulla SFR. Gli autori riportano un p-value di 0,12% che gli host siano più deboli di una distribuzione pesata sulla SFR, e un p-value di $10^{-9}$ che siano più deboli di una distribuzione pesata sulla massa.
  • I modelli Marnoch23 e Naive forniscono fit statistici marginalmente migliori (log-likelihood più elevata) rispetto al modello Loudas25. Entrambi predicono una distribuzione di host ancora più debole, particolarmente ad alti redshift.
  • Il fit del modello Naive suggerisce un picco nella distribuzione della magnitudine assoluta vicino a $M_r = -21$ con una coda verso host più deboli, e non trova evidenza significativa per una correzione $K$ dipendente dal redshift ($k \approx -0.1$) all'interno del campione a basso redshift ($z \lesssim 0.55$).
• Prior per l'Host Non Visto ($P(U)$): Lo studio dimostra che $P(U)$ dipende fortemente dal DM extragalattico ($DMEG$) e dalla profondità del rilievo ottico. Per FRB con DM elevato o survey poco profonde, la probabilità che l'host sia non visto è non trascurabile, sconsigliando l'uso di un $P(U)$ costante (ad esempio, 0 o 0,1) tra diversi campioni di FRB.

Significatività e Rivendicazioni
Il documento sostiene che aggiornare il framework PATH con i prior di magnitudine informati dal DM è essenziale per un'identificazione robusta degli host degli FRB. La significatività primaria risiede nel:

1. Raffinare le Associazioni degli Host: Il metodo aggiornato fornisce probabilità più affidabili per i candidati host, riducendo il rischio di scartare veri host che sono deboli o con basse probabilità posteriori sotto i vecchi prior generici.
2. Vincoli sui Progenitori: Il risultato secondo cui gli host degli FRB sono più deboli rispetto alle popolazioni di galassie pesate per SFR o massa suggerisce che i progenitori degli FRB possano favorire ambienti specifici (ad esempio, metallicità più alta o storie specifiche di formazione stellare) o che siano in gioco effetti di selezione (ad esempio, bias di scattering contro galassie grandi).
3. Gestione Sistematica: Gli autori raccomandano l'uso del modello Marnoch23 come default per generare i prior grazie alla sua semplicità e al buon fit, raccomandando invece l'uso di Loudas25 e Naive per valutare le incertezze sistematiche.
4. Direzioni Future: Il lavoro nota che gli attuali modelli sono limitati a bassi redshift ($z \lesssim 0.5$) e che il lavoro futuro dovrà incorporare dati da survey a redshift più elevati (ad esempio, DSA-110, MeerTRAP) e sviluppare metodi per adattare simultaneamente i parametri della popolazione di FRB e le distribuzioni degli host, inclusi i dati di FRB con host non visti.

Gli autori dichiarano esplicitamente che i loro risultati sono critici per gli studi che analizzano la distribuzione redshift-DM della popolazione di FRB, poiché l'identificazione accurata degli host e la correzione del bias sono prerequisiti per le inferenze cosmologiche. Non pretendono di aver risolto definitivamente il mistero dei progenitori, ma forniscono uno strumento statistico più rigoroso per porvi dei vincoli.