A Fully Photometric Approach to Type Ia Supernova Cosmology in the LSST Era: Host Galaxy Redshifts and Supernova Classification

Technische Samenvatting: Een Volledig Fotometrische Benadering voor Type Ia Supernova Cosmologie in het LSST-tijdperk

Probleemstelling
De aanstaande Legacy Survey of Space and Time (LSST) van de Vera C. Rubin Observatory zal naar verwachting bijna één miljoen Type Ia supernova's (SNe Ia) ontdekken. De spectrografische middelen zullen echter onvoldoende zijn om de enorme hoeveelheid gebeurtenissen te classificeren of om spectroscetische roodverschuivingen ($z_{spec}$) van hun gaststelsels te verkrijgen. Historisch gezien heeft de SN Ia kosmologie vertrouwd op spectroscifieke bevestiging en roodverschuivingen om donkere energie te beperken. Het gebrek aan spectroscopische gegevens voor het LSST-tijdperk vereist een volledig fotometrische benadering die fotometrische classificatie, fotometrische roodverschuivingen ($z_{phot}$) en niet-SN Ia contaminatie tegelijkertijd kan afhandelen. Eerdere studies, zoals Mitra et al. (2023, M23), pakten fotometrische roodverschuivingen aan maar gingen uit van perfecte classificatie, terwijl andere werken classificatie behandelden zonder de systematische fouten van de gast-$z_{phot}$ volledig te integreren in een kosmologische analyse. Dit artikel adresseert de kloof door een uitgebreide simulatie en analyse uit te voeren die fotometrische classificatie, gast-$z_{phot}$ en niet-SN Ia contaminatie combineert om LSST-kosmologische beperkingen te voorspellen.

Methodologie
De auteurs maken gebruik van simulaties gebaseerd op de Extended LSST Astronomical Time Series Classification Challenge (ELAs TiCC) om een realistische dataset te genereren. De analysepijplijn bestaat uit vijf hoofdfasen:

1. Datasimulatie:

   • Samples: De studie simuleert 25 onafhankelijke samples. Elk bevat een lage-roodverschuiving ($z \le 0,08$) sample van spectroscopisch bevestigde SNe Ia (Wide Fast Deep velden) en een hoge-roodverschuiving ($z < 1,55$) sample uit Deep Drilling Fields (DDF).
   • Contaminatie: De hoge-$z$ sample bevat realistische niet-SN Ia contaminanten (SN II, Ib, Ic, peculiaire SNe Ia zoals 91bg en Iax) en foutieve associaties met gaststelsels.
   • Gaststelsel eigenschappen: Host galaxy libraries (HOSTLIBs) van ELASTiCC worden gebruikt om transient-host correlaties, stellaire massa, stervormingssnelheden en fotometrische roodverschuivings-waarschijnlijkheidsdichtheidsfuncties (PDFs) te modelleren.
   • Triggering: Gebeurtenissen worden geregistreerd als ze een 2-detectie trigger passeren op basis van difference imaging analysis (DIA) efficiëntie.

2. Lichtcurve Fitting:

   • SNe Ia lichtcurves worden gefit met behulp van het SALT3-model met een NIR-extensie.
   • Een gezamenlijke fit wordt uitgevoerd voor de supernova en het gaststelsel, waarbij de gast-$z_{phot}$ als een vijfde parameter wordt behandeld (naast $t_0, x_0, x_1, c$) met de gast-$z_{phot}$ PDF als prior.
   • Systematische onzekerheden worden gemodelleerd door variaties toe te passen (bijv. kalibratie, extinctie, $z_{phot}$ verschuivingen) en een $\chi^2_{syst}$ term te gebruiken om de gefitte parameters consistent te houden over systematische variaties, wat verlies van gebeurtenissen vermindert.

3. Fotometrische Classificatie:

   • De SCONE (Supernova Classification with a Convolutional Neural Network) classifier wordt ingezet om de waarschijnlijkheid ($P_{Ia}$) te bepalen dat een gebeurtenis een SN Ia is.
   • Het netwerk is getraind op gesimuleerde data om een nauwkeurigheid van >98% te bereiken bij het onderscheiden van SNe Ia van core-collapse SNe en peculiaire SNe.

4. Bias Correctie en Hubble Diagram Constructie:

   • Het "BEAMS with Bias Corrections" (BBC) framework wordt gebruikt. BEAMS houdt rekening met niet-Ia contaminatie door te marginaliseren over de classificatiekans.
   • Bias-correcties ($\Delta \mu_{bias}$) worden afgeleid van een grote simulatie-sample om selectie-effecten en afstand modulus biases te corrigeren die afhankelijk zijn van roodverschuiving, stretch, kleur en gastmassa.
   • Een bias-gecorrigeerd Hubble Diagram (HD) wordt geconstrueerd, beschikbaar in gebinde, ongebinde en "re-binned" formaten om computationele efficiëntie te optimaliseren.

5. Kosmologische Fitting:

   • Kosmologische parameters worden gefit met behulp van een $\chi^2$ minimalisatie met een covariantie-matrix die zowel statistische als systematische componenten bevat.
   • Een Cosmic Microwave Background (CMB) prior wordt toegepast om degeneraties te breken.
   • Fits worden uitgevoerd voor het $w$CDM model en het Chevallier-Polarski-Linder (CPL) $w_0w_a$CDM model.

Belangrijkste Bijdragen

• Eerste Uitgebreide Fotometrische Analyse: Dit werk presenteert een van de eerste end-to-end kosmologische analyses voor LSST die simultaan fotometrische classificatie, gast-$z_{phot}$ en niet-SN Ia contaminatie incorporeert zonder uit te gaan van perfecte classificatie.
• Systematische Afhandeling: Het artikel beschrijft een rigoureuze methode voor het afhandelen van systematische onzekerheden in een fotometrische context, inclusief een nieuwe aanpak om een gemeenschappelijk sample van gebeurtenissen over systematische variaties te behouden voor de constructie van geldige covariantie-matrices.
• Re-binned Efficiëntie: De auteurs demonstreren een "re-binned" Hubble diagram aanpak die de computationele wall time met een factor vier vermindert vergeleken met ongebinde analyses, terwijl optimale beperkingen behouden blijven, wat een schaalbaar pad biedt voor toekomstige grote datasets.
• Bias Karakterisering: De studie identificeert en kwantificeert residuele biases in de teruggewonnen kosmologische parameters, waarbij deze worden toegeschreven aan specifieke analysepappen en systematiek.

Resultaten

• Sample Statistiek: Van een gegenereerde hoge-$z$ sample van ~234.000 gebeurtenissen behoudt de analyse ~5.034 SNe Ia en ~645 contaminanten na selectie-cuts, wat resulteert in een definitieve sample van ~5.725 gebeurtenissen. De zuiverheid van de SN Ia sample stijgt van ~15% (fysieke frequentie) naar ~90% na de cuts.
• Kosmologische Beperkingen:
  • Voor het $w$CDM model is de Figure of Merit (FoM) voor de gesimuleerde sample ongeveer 150 (statistisch + systematisch), wat aanzienlijk groter is dan de DES-SN5YR FoM van 54.
  • Voor het $w_0w_a$CDM model is de stat-only FoM ~190, die degradeert naar ~150 wanneer systematiek wordt meegenomen (een degradatie van ~25–30%).
  • De re-binned analyse levert FoMs op die vergelijkbaar zijn met de ongebinde analyse (bijv. 159 vs. 156 voor stat+syst in $w_0w_a$CDM).
• Biases: De analyse onthult kleine maar statistisch significante biases in de teruggewonnen kosmologische parameters (bijv. een $w$-bias van ~0,01–0,03, een $w_a$-bias van ~0,12–0,27).
  • Deze biases blijven aanwezig zelfs na het corrigeren voor bekende systematiek zoals kalibratie en $z_{phot}$ verschuivingen.
  • De auteurs merken op dat de bias verdwijnt als niet-SN Ia gebeurtenissen worden uitgesloten, wat suggereert dat de interactie tussen classificatiefouten en contaminatie een primaire bron is van de residuele bias.
  • Kalibratie-systematiek (specifiek zero-point en filter verschuivingen) wordt geïdentificeerd als de dominante bron van FoM degradatie, in plaats van $z_{phot}$ systematiek, vanwege anti-correlaties tussen $z_{phot}$ en SALT3 kleurparameters die afstandsfouten zelfcorrigeren.

Betekenis en Claims
Het artikel claimt een kritieke roadmap te bieden voor LSST kosmologie, en demonstreert dat een volledig fotometrische benadering haalbaar is en in staat is om beperkingen te leveren die superieur zijn aan huidige surveys (zoals DES). De auteurs zijn echter bescheiden over de huidige staat van de analyse. Ze stellen expliciet dat de aanwezigheid van residuele biases aangeeft dat "verdere analyseontwikkeling nodig is" voordat deze methodologie op echte data kan worden toegepast. Het werk benadrukt dat hoewel statistische onzekerheden zullen domineren, ongemodelleerde systematiek gerelateerd aan fotometrische classificatie en astrofysische modellen (bijv. SALT3 beperkingen) moet worden aangepakt om het volledige potentieel van de LSST-sample te benutten. De gedemonstreerde efficiëntie van de re-binned aanpak wordt gepresenteerd als een belangrijke praktische bijdrage voor het verwerken van de enorme datavolumes die worden verwacht van de Rubin Observatory.