BayeSN-TD: Time Delay and $H_0$ Estimation for Lensed SN H0pe

In dit artikel wordt BayeSN-TD, een geavanceerd probabilistisch model voor het analyseren van gravitationeel gelenseerde Type Ia supernova's, gepresenteerd en toegepast op SN H0pe om nauwkeurige tijdsvertragingen en vergrotingsfactoren te bepalen, wat leidt tot een schatting van de Hubble-constante die consistent is met eerdere analyses maar nog niet voldoende precisie biedt om de Hubble-spanning op te lossen.

De kern

De Kosmische Uurwerkmaker: Hoe een Nieuwe Software de Snelheid van het Heelal Meet

Stel je voor dat je een gigantische, onzichtbare lens in de ruimte hebt. Deze lens, een enorme massa van sterren en donkere materie, buigt het licht van verre objecten. Soms gebeurt dit zo sterk dat je niet één, maar meerdere beelden van hetzelfde verre object ziet. Het is alsof je door een gekke spiegelpaleis kijkt: je ziet dezelfde sterrenkrijger, maar dan op verschillende plekken in het landschap.

Wanneer die verre sterrenkrijger een Supernova is (een ster die ontploft en fel oplicht), is het een perfecte klok. Supernova's flitsen op, bereiken een piek en vervaarden dan langzaam. Omdat het licht voor de verschillende beelden verschillende routes door de ruimte moet afleggen, komt het op verschillende tijdstippen bij ons aan. Het ene beeld is misschien een paar maanden ouder dan het andere.

Het Probleem: De "Microlens"-Ruis
De uitdaging is dat de ruimte niet leeg is. Tussen de lens en de supernova zitten ook sterren. Deze sterren werken als kleine, wispelturige vergrootglazen die het licht van de supernova nog eens extra versterken of verzwakken. Dit noemen we microlensing.

Stel je voor dat je probeert de tijd te lezen op een uurwerk, maar er zit een trillende hand bovenop die de wijzers soms een beetje verschuift. Als je dat niet corrigeert, meet je de verkeerde tijd. Voor de wetenschappers is dit een groot probleem: als je de tijd niet precies meet, kun je de snelheid waarmee het heelal uitdijt (de Hubble-constante) niet goed berekenen. En dat is cruciaal, want er is een mysterie in de kosmologie: verschillende methoden geven verschillende snelheden voor het heelal. Dit noemen we de "Hubble-spanning".

De Oplossing: BayeSN-TD
In dit paper presenteren de auteurs BayeSN-TD. Je kunt dit zien als een super-slimme, digitale "tijdsleutel" die speciaal is ontworpen om deze ruis te filteren.

1. De Basis (BayeSN): De software kent het "ideale" gedrag van een supernova. Het is alsof je een perfecte handleiding hebt voor hoe een supernova eruit moet zien en hoe snel hij moet veranderen.
2. De Nieuwe Truc (TD): De "TD" staat voor Time Delay. De software kijkt naar de meerdere beelden van dezelfde supernova en probeert de exacte tijdsverschillen te vinden.
3. De Magie (Gaussian Processes): Dit is het slimste deel. De software gebruikt een wiskundige techniek (een "Gaussian Process") die fungeert als een slimme ruisfilter. Het weet dat microlensing het licht kan verstoren, en het probeert die verstoring te modelleren zonder de echte tijd te verpesten. Het is alsof je een geluidsopname hebt met veel ruis, en je gebruikt een AI om de stem van de zanger er perfect uit te halen, zelfs als de zanger een beetje schor is.

De Proef op de Som: Simulaties
De auteurs hebben hun nieuwe software eerst getest op simulaties. Ze hebben virtuele supernova's gemaakt, inclusief die vervelende microlensing-ruis.

• Resultaat: BayeSN-TD haalde de echte tijd eruit, zelfs als de simulaties waren gemaakt met een heel ander model dan de software zelf gebruikte. Het bewees dat de software robuust is en niet snel in de war raakt door de "trillende hand" van de microlensing.

De Echte Test: SN H0pe
Vervolgens hebben ze de software toegepast op een echte, recente ontdekking: SN H0pe. Dit is een supernova die door een sterrenhoop is vergroot en nu als drie beelden zichtbaar is.

• Ze hebben de lichtkrommes (hoe helder de supernova was op verschillende tijden) geanalyseerd.
• Ze berekenden de tijdverschillen tussen de beelden: ongeveer 122 dagen tussen beeld B en A, en 63 dagen tussen B en C.
• Ze berekenden ook hoe sterk de lens het licht had versterkt (de vergrotingsfactor).

Het Eindresultaat: De Snelheid van het Heelal
Met deze tijdverschillen en de modellen van de lens hebben ze de Hubble-constante ($H_0$) berekend.

• Ze kwamen uit op een waarde van ongeveer 69 km/s per Megaparsec.
• Dit is een tussenwaarde: het ligt precies in het midden van de twee andere grote metingen (de ene zegt ~67, de andere ~73).
• De conclusie: Met de huidige data is de foutmarge nog te groot om definitief te zeggen wie er gelijk heeft in de "Hubble-spanning". Het is alsof je probeert de snelheid van een auto te meten met een liniaal die niet helemaal scherp is; je weet dat het ergens rond de 100 km/u ligt, maar niet precies of het 98 of 102 is.

Waarom is dit belangrijk voor de toekomst?
Hoewel dit specifieke resultaat nog niet het mysterie oplost, is de methode (BayeSN-TD) een game-changer.

• De komende jaren gaan telescopen zoals de Rubin Observatory duizenden van deze vergrootte supernova's vinden.
• BayeSN-TD is de perfecte tool om al die data snel en nauwkeurig te verwerken.
• Zodra we meer data hebben en betere foto's van de achtergrond (zodat we de ruis nog beter kunnen filteren), zullen we de snelheid van het heelal met veel meer precisie kunnen meten.

Samenvattend in één zin:
De auteurs hebben een slimme nieuwe software bedacht die als een "ruisfilter" werkt voor het licht van vergrote supernova's, waardoor we in de toekomst veel nauwkeuriger kunnen meten hoe snel ons heelal uitdijt, zelfs als de ruimte vol zit met kleine, verstorende sterren.

Technische samenvatting

Probleemstelling

Gravitationeel gelenseerde Type Ia-supernova's (glSNe Ia) bieden een unieke en onafhankelijke methode om de Hubble-constante ($H_0$) te meten, wat cruciaal is voor het oplossen van de huidige "Hubble-spanning" (het verschil tussen metingen uit het vroege heelal en lokale metingen). Echter, het analyseren van deze gebeurtenissen brengt specifieke uitdagingen met zich mee:

1. Microlensing: Sterren in het lenzensysteem veroorzaken tijdsafhankelijke variaties in de helderheid van de afzonderlijke beelden (microlensing). Dit kan leiden tot vertekende schattingen van de tijdsvertragingen als niet correct meegekeken wordt.
2. Fase-coverage: Veel glSNe, zoals SN H0pe, worden pas lang na hun piek waargenomen (tot +60 dagen of meer in rustframe). Bestaande SED-modellen (Spectrale Energieverdeling) voor Type Ia-supernova's zijn vaak beperkt tot kortere fasen (bijv. +40 of +50 dagen), wat nauwkeurige modellering bemoeilijkt.
3. Modelonafhankelijkheid: Er is behoefte aan methoden die robuust zijn, zelfs als het gebruikte SED-model verschilt van het model waarmee de simulaties zijn gegenereerd, en die in staat zijn om systematische fouten door microlensing te marginaliseren.

Methodologie: BayeSN-TD

De auteurs presenteren BayeSN-TD, een geavanceerde implementatie van het probabilistische BayeSN-model, specifiek ontworpen voor het analyseren van meervoudig afgebeelde glSNe Ia.

Kerncomponenten:

• Gedeelde en afzonderlijke parameters: Het model behandelt de intrinsieke eigenschappen van de supernova (lichtkromme-vorm, roodverkleuring door stof in de gastheergalaxie) als gedeelde parameters voor alle beelden. Voor elk beeld worden echter aparte parameters geschat voor de tijdstippen van maximale helderheid (om tijdsvertragingen te meten) en de schijnbare afstand (om vergrotingsfactoren te bepalen).
• Gaussian Processes (GP) voor Microlensing: Om het effect van microlensing te mitigeren, introduceert BayeSN-TD een Gaussian Process (GP) met een Gibbs-kernel. Dit model behandelt microlensing als een tijdsafhankelijke, achromatische (kleuronafhankelijke) verstoring rondom het standaard SED-model. De Gibbs-kernel staat toe dat de schaal van variatie verandert in de tijd, wat past bij het dynamische karakter van microlensing terwijl de supernova-photosfeer expandeert.
• Fase-extended SED-model: De auteurs trainden een nieuwe versie van het BayeSN-model met data tot +85 dagen na de piek (in rustframe), in plaats van de gebruikelijke +40 of +50 dagen. Dit model omvat ook U-band data om de dekking in het blauwe deel van het spectrum te verbeteren, essentieel voor de hoge-roodverschuivingsdata van SN H0pe.
• Bayesiaanse Inferentie: Het model gebruikt MCMC (Markov Chain Monte Carlo) om posterieure verdelingen te genereren voor tijdsvertragingen, vergrotingsfactoren en $H_0$, terwijl het marginaliseert over de onzekerheid van microlensing en intrinsieke variatie.

Belangrijkste Bijdragen

1. Ontwikkeling van BayeSN-TD: Een nieuw framework dat BayeSN koppelt aan een GP-benadering voor microlensing, waardoor robuuste tijdsvertragingen kunnen worden afgeleid zonder dat microlensing de resultaten significant verstoort.
2. Uitgebreid SED-model: Een nieuwe, openbare BayeSN-modelversie met dekking tot +85 dagen, geschikt voor late-fase waarnemingen van JWST.
3. Validatie via Simulaties: Uitgebreide validatie op twee grote datasets:
   • Roman-simulaties: Gebaseerd op het SALT2-model met achromatische microlensing.
   • LSST-simulaties: Gebaseerd op het SALT3-model met chromatische microlensing.
   • SN H0pe-simulaties: Realistische simulaties specifiek voor SN H0pe met chromatische microlensing.
4. Toepassing op SN H0pe: De eerste toepassing van dit model op de echte photometrie van SN H0pe (ontdekt door JWST), inclusief de afleiding van $H_0$ door combinatie met bestaande lenzmodellen.

Resultaten

Validatie op Simulaties:

• BayeSN-TD slaagt erin om tijdsvertragingen nauwkeurig te herstellen, zelfs wanneer het model verschilt van het simulatiemodel (BayeSN vs. SALT).
• De onzekerheden zijn goed gekalibreerd: de ware waarden vallen binnen de 68% en 95% betrouwbaarheidsintervallen in respectievelijk ~68% en ~93-95% van de gevallen.
• Belangrijk: Zelfs bij simulaties met chromatische microlensing (waar het model alleen achromatische microlensing aanneemt), blijft de bias verwaarloosbaar (-0.08 dagen) en blijven de onzekerheden goed gekalibreerd. Dit bevestigt de robuustheid van de methode.

Toepassing op SN H0pe:

• Tijdsvertragingen:
  • $\Delta T_{BA} = 121.9^{+9.5}_{-7.5}$ dagen
  • $\Delta T_{BC} = 63.2^{+3.2}_{-3.3}$ dagen
  • Opmerking: De schatting voor $\Delta T_{BC}$ verschilt met ongeveer 15 dagen van eerdere analyses (Pierel et al. 2024a), waarschijnlijk door methodologische verschillen (directe fitting van photometrie vs. kleurencurves, en marginalisatie over residu's).
• Vergrotingsfactoren ($\beta$):
  • $\beta_A = 2.38^{+0.72}_{-0.54}$
  • $\beta_B = 5.27^{+1.25}_{-1.02}$
  • $\beta_C = 3.93^{+1.00}_{-0.75}$
• Schatting van $H_0$:
  • Door de verkregen tijdsvertragingen en vergrotingsfactoren te combineren met zeven onafhankelijke lenzmodellen (van Pascale et al. 2025), wordt $H_0$ geschat op:
    • $69.3^{+12.6}_{-7.8}$ km s$^{-1}$ Mpc$^{-1}$ (gebaseerd op photometrie).
    • $66.8^{+13.4}_{-5.4}$ km s$^{-1}$ Mpc$^{-1}$ (gecombineerd met spectroscopische data).

Betekenis en Conclusie

• Robuustheid: BayeSN-TD bewijst dat het mogelijk is om betrouwbare kosmologische parameters af te leiden uit glSNe Ia, zelfs met beperkte data en in aanwezigheid van complexe microlensing-effecten. De methode is ongevoelig voor het specifieke SED-model dat voor simulatie is gebruikt.
• Hubble-spanning: De huidige resultaten voor SN H0pe zijn nog niet nauwkeurig genoeg om definitief iets te zeggen over de Hubble-spanning (ze overlappen zowel met CMB-metingen als met lokale ladder-metingen). De foutmarges zijn echter aanzienlijk.
• Toekomstperspectief: Met de komst van nieuwe template-beelden van het lenzensysteem (die de photometrie zullen verfijnen) en de verwachte toename in het aantal glSNe door LSST en Roman, zal BayeSN-TD een cruciale rol spelen. Het model biedt een solide basis voor toekomstige analyses die de onzekerheid op $H_0$ zullen verkleinen en mogelijk de Hubble-spanning kunnen oplossen.

De code voor BayeSN-TD is openbaar beschikbaar, wat de reproduceerbaarheid en toepasbaarheid op toekomstige waarnemingen garandeert.