Probing evolution of Long GRB properties through their cosmic formation history aided by Machine Learning predicted redshifts

技術的概要：機械学習による赤方偏移予測を支援とした、長ガンマ線バースト特性の進化の探査

問題提起
ガンマ線バースト（GRB）は、電離時代まで遡る宇宙の恒星形成史（SFRH）を探る重要なプローブとして機能する。しかし、現在の研究における重大な制限は、GRB の約 80% が測定された赤方偏移（$z$）を欠いている点である。分光学的または測光学的な決定には、しばしば達成不可能な残光放射の迅速な追跡観測が必要となるためである。GRB 内部の相関を用いて赤方偏移を推定する既存の方法は、循環論法（相関を導出するために宇宙論を仮定し、その後それを用いて$z$を求める）および系統的な不確実性に苦しんでいる。その結果、長ガンマ線バーストの発生率密度（LGRB-RD）を導出するために使用されるデータセットは小さく、潜在的に偏っており、GRB の進化と恒星形成率密度（SFRD）との関係に対する明確な理解を妨げている。

手法
本研究は、宇宙論的仮定に依存せず、即発放射および X 線残光パラメータ（具体的には X 線プラトー相関）に基づいて訓練された機械学習（ML）モデルによって予測された赤方偏移を持つ長ガンマ線バースト（LGRB）のサンプルを利用する。分析は以下の手順で行われる：

1. データ選択：著者は 2 つのデータセットを構築する。

   • 予測サンプル（PS）：X 線プラトーを持つが観測された赤方偏移を持たない 228 個の LGRB。ここで$z$は Narendra ら（2025）（N25）の ML モデルを用いて予測された。高赤方偏移または高光度誤差を持つ外れ値は除外された。
   • 結合サンプル（CS）：PS に加えて、既知の分光学的赤方偏移と X 線プラトーを持つ 218 個の LGRB（「観測サンプル」または OS）から構成される 446 個の LGRB。
   • カット：両サンプルとも、機器の光度閾値（コルモゴロフ・スミルノフ検定によって決定）以下の GRB および GRB 060614（合体起源の長 GRB）を除外するようにフィルタリングされた。

2. 発生率密度の計算：

   • 著者は選択効果を補正し、累積発生率密度分布（$\sigma$）を導出するために、エフロン・ペトロビア（EP）法を適用する。
   • GRB 特性（例えば光度）の潜在的な進化を考慮するため、補正係数$L' = L/(1+z)^k$が適用される。パラメータ$k$は、Kendall-$\tau$統計量がゼロとなる値を見つけることで決定され、光度と赤方偏移の独立性が保証される。
   • LGRB-RD（$\rho$）は、累積分布を微分し、機器の感度、視野、稼働時間、検出された GRB の総数に起因する因子でスケーリングすることで計算される。

3. 理論的比較：

   • 理論的な発生率密度（$\rho_{theor}$）は、SFRD（Madau & Dickinson 2014）を転換係数（コラプサの割合、超新星の種類、ビーム化）および進化項$(1+z)^\delta$でスケーリングすることで構築される。
   • 本研究は 3 つの進化シナリオを検証する：進化なし（$\delta=0$）、ビーム化進化（$\delta=1.6$）、および$\delta$が -4 から 4 の間で変化する一般的な進化項。

主要な結果

• 進化の有意性：分析は、GRB 特性における進化の重要な証拠を明らかにする。最適適合$k$値は、予測サンプル（PS）では$2.2^{+0.8}_{-0.7}$、結合サンプル（CS）では$2.5^{+0.4}_{-0.4}$であり、それぞれ進化なしの場合（$k=0$）に対して約$3\sigma$および約$6\sigma$の有意性に相当する。
• 発生率密度の傾向：
  • 両サンプルの発生率密度は、$z \sim 1-2$の赤方偏移範囲でピークに達する。
  • PS は CS よりも高い赤方偏移でピークに達する。これは、訓練分布の平均への ML モデルのバイアスに起因するが、その後修正された。
  • 低赤方偏移（$z < 1$）の過剰（上昇）が CS で観測され、著者はこれを合体、低光度 GRB（LLGRB）、またはフィッティングの人工物からの潜在的な寄与に帰している。
• 進化モデル：
  • 単一の進化モデル（$1+z$のべき乗則）は、いずれのサンプルにおいても赤方偏移全体にわたる発生率密度を成功裡に説明できない。
  • 特定の$\delta$値はデータの低$z$側または高$z$側と一致しうるが、いずれも完全な分布を捉えることはできない。CS については、$\delta = -0.3$が低$z$の傾向に適合し、$\delta = -0.9$がピークおよび高$z$端に適合する。
  • CS の発生率密度のピークは$z \sim 1.6$（遡及時間$\sim 9.5$ Gyr）で生じるのに対し、MD14 の SFRD のピークは$z \sim 1.9$（遡及時間$\sim 10.1$ Gyr）で生じる。著者はこの不一致が誤差範囲内にあると指摘するが、これは progenitor の寿命を延ばす二重星相互作用からの潜在的な影響を示唆している。

意義と主張
本論文は、ML 予測赤方偏移の統合が、GRB 進化の研究に利用可能なデータセットを拡大する上で「決定的な前進」であると主張する。サンプルサイズを増大させることで、著者は以下を実証する：

1. サンプルの均質性の問題：単純なべき乗則進化項がすべての赤方偏移にわたる発生率密度を説明できないことは、より複雑な進化項、あるいはサンプルの非均質性（例えば、長 GRB 分類内のコラプサと合体起源 GRB の混合）のいずれかを示唆している。
2. SFRD の追跡：LGRB は一般的に$z \sim 6$まで SFRD を追跡するが、その特性（ビーム化、金属量、プロゲンタータイプ）の具体的な進化は、単純なスケーリングでは完全に解決できない逸脱をもたらす。
3. 将来の方向性：著者は、現在の ML 分析がこれまでに最も正確であると強調するが、将来の改善には、トレーニングのために光学および X 線プラトーサンプルを組み合わせ、今後のミッション（SVOM、Rubin、THESEUS、Hi-Z GUNDAM）からのデータを活用して既知赤方偏移のサンプルを増やすことが必要であると述べている。彼らは、放射領域および塵による消光効果の潜在的な違いに起因するため、多波長サンプルを組み合わせる際には注意が必要であると警告している。

本研究は、導出された発生率密度が中赤方偏移範囲では信頼できるものであるが、低赤方偏移および高赤方偏移における不一致は、プロゲンターの多様性および観測された発生率密度の特徴の物理的起源に関するさらなる調査の必要性を浮き彫りにしていると結論づけている。