Exposure-averaged Gaussian Processes for Combining Overlapping Datasets

Technische Samenvatting: Blootstellingsgemiddelde Gaussische Processen voor het Combineren van Overlappende Datasets

Probleemstelling
Gaussische processen (GP's) worden veel gebruikt om stellaire variabiliteit te modelleren, waarbij fysiek gemotiveerde kernen worden toegepast, zoals gedempte, aangedreven eenvoudige harmonische oscillatoren (SHO's), om granulatie en p-modes oscillaties weer te geven. Deze standaardkernen kwantificeren de instantane covariantie tussen twee punten in de tijd. Deze formulering gaat echter ervan uit dat waarnemingen instantane steekproeven zijn van een latente signaal. In werkelijkheid werken veel moderne Extreme Precision Radial Velocity (EPRV) spectrografen, met name die met zonnevoedingen (bijv. HARPS, HARPS-N, EXPRES, NEID, KPF), met blootstellingstijden die vergelijkbaar zijn met de tijdschalen van de stellaire variabiliteit die ze willen meten (minuten tot uren).

Wanneer blootstellingstijden significant zijn, is het waargenomen signaal een blootstellingsgemiddelde (gebinned) versie van het ware latente signaal, en geen instantaan punt. Het naïef combineren van datasets van meerdere instrumenten met verschillende blootstellingstijden met behulp van standaard instantane kernen leidt tot spurious signalen. Het model faalt in het verzoenen van dicht op elkaar geplaatste waarnemingen die echte radiale snelheidsverschillen (RV) vertonen, uitsluitend als gevolg van hun verschillende integratietijden. Eerdere pogingen om dergelijke data te combineren, hielden in het binen van alle waarnemingen naar een gemeenschappelijke, grove tijdschaal of het interpoleren tussen datasets; beide methoden werpen hoogfrequente informatie (zoals p-modes oscillaties) weg of vertrouwen op niet-fysische interpolatieschema's.

Methodologie
De auteurs presenteren een GP-raamwerk dat expliciet rekening houdt met eindige blootstellingstijden door geïntegreerde vormen van de instantane kernen te berekenen. De methodologie is gebaseerd op drie kernelementen:

1. Kernintegratie-ramwerk: De auteurs leiden analytische uitdrukkingen af voor de covariantie tussen:

   • Twee gebinned waarnemingen (dubbele integratie van de latente kern).
   • Een gebinned waarneming en een latent instantaan punt (enkele integratie).
   • Twee latente instantane punten (de standaardkern).
     Voor stationaire kernen tonen de auteurs aan dat elke complexe overlapsituatie (gedeeltelijk of volledig) kan worden ontbonden in sommen van "perfect overlappende" en "volledig gescheiden" sub-blootstellingen. Dit maakt het evalueren van de covariantiematrix voor willekeurige blootstellingsduren ($\delta$) en tijdscheidingen ($\Delta$) mogelijk.

2. Analytische Oplossingen voor SHO-kernen: Het artikel biedt specifieke analytische uitdrukkingen voor het integreren van de stochastisch aangedreven, gedempte SHO-kern (veel gebruikt voor granulatie en oscillaties). Dit omvat hulpprogramma's ($I_{SHO}$) om de integralen voor zowel enkele als dubbele integratietgevallen te evalueren, waarbij rekening wordt gehouden met de tekenwisselingen in het tijdsverschil $|t - t'|$ die optreden binnen overlappende blootstellingen.

3. Multi-component en Multi-instrument Ontbinding:

   • Componentontbinding: Het raamwerk is uitbreidbaar tot multi-component GP-modellen (bijv. som van granulatie-, oscillatie- en rotatiekernen). De auteurs beschrijven de lineaire algebra die nodig is om het volledige model te conditioneren op data en vervolgens de voorspellende gemiddelde waarde voor individuele latente componenten te extraheren.
   • Instrumentale Driften: Om overlappende datasets van meerdere instrumenten te verwerken, behandelt het model de drift van elk instrument als een onafhankelijke GP-component die wordt toegevoegd aan een gemeenschappelijk latent stellaar signaal. Dit wordt geïmplementeerd via een multivariaat GP waarbij de kern voor instrumentale driften wordt gemaskeerd door een Kronecker-delta, zodat driftcovarianties alleen bestaan tussen waarnemingen van hetzelfde spectrograaf. Dit maakt het scheiden van "stellaire" variabiliteit van "instrumentale" driften mogelijk zonder een specifieke functionele vorm voor de drift voor te schrijven.

Belangrijkste Resultaten
Het raamwerk werd gevalideerd via twee primaire toepassingen:

1. Gesimuleerde Data: De auteurs simuleerden zonne-RV-data die vier instrumenten nabootste (KPF, NEID, EXPRES, HARPS-N) met blootstellingstijden variërend van 12 tot 300 seconden.

   • Blootstellingsrekening: Modellen die blootstellingstijden negeerden, produceerden foutieve voorspellende gemiddelden, met name het falen om dicht op elkaar geplaatste waarnemingen met verschillende blootstellingsduren te fitten. Het blootstellingsbewuste model voorspelde correct het latente signaal, waardoor de voorspellende gemiddelde extremer kon zijn dan de gebinned waarnemingen (bijv. het passeren van extremen die door lange blootstellingen waren gladgestreken).
   • Driftherstel: Wanneer synthetische instrumentale driften werden ingebracht, herstelde het model de relatieve driften tussen instrumentparen met hoge precisie (RMS < 1,5 cm s$^{-1}$). De absolute driften van individuele instrumenten bleken echter sterk ontaard (vaak anti-gecorreleerd), aangezien het model niet uniek kan onderscheiden welk instrument afwijkt zonder aanvullende beperkingen.

2. Echte Zondata:

   • KPF & NEID (Eén Dag): Toegepast op overlappende data van 19 april 2024, scheidde het model succesvol het stellaire signaal van instrumentale driften. Het identificeerde een gladde drift in KPF ten opzichte van NEID, die correleerde met bekende operationele gebeurtenissen (vullingen met vloeibare stikstof).
   • Extreme Stellar Signals Project (ESSP): Toegepast op een 28-dagen dataset die HARPS, HARPS-N, EXPRES en NEID combineerde (11.165 waarnemingen). Het model conditioneerde succesvol op de data om stellaire componenten (oscillaties, granulatie, supergranulatie en rotatie) te isoleren terwijl het corrigeerde voor instrument-specifieke driften. Vanwege de rekenkosten (schaling $O(N^3)$) werd hyperparameterfitting niet uitgevoerd voor deze grote dataset; in plaats daarvan werden vaste hyperparameters gebruikt om het vermogen van het raamwerk om de subtiliteiten van het combineren van uiteenlopende datasets aan te kunnen, te demonstreren.

Betekenis en Claims
Het artikel stelt dat dit raamwerk essentieel is voor de analyse van moderne EPRV-datasets, met name die welke zonnevoedingen betreffen waarbij blootstellingstijden aanzienlijk variëren tussen instrumenten. Door de kernen correct te integreren, behoudt de methode:

• Hoogfrequente informatie (p-modes, granulatie) die verloren gaat wanneer data wordt gebinned naar een gemeenschappelijke grove tijdschaal.
• Het voorkomt spurious signalen die voortvloeien uit het mismatch van blootstellingstijden in overlappende waarnemingen.
• Het maakt de ontbinding van complexe, multi-instrument datasets in onderscheiden stellaire en instrumentale componenten mogelijk, specifiek het isoleren van "paarsgewijze relatieve driften" die robuust worden beperkt.

De auteurs merken op dat de huidige implementatie, vanwege de niet-stationaire aard van de geïntegreerde kernen (die afhankelijk zijn van zowel tijdscheiding als individuele blootstellingstijden), schalingsbeperkingen kent voor zeer grote datasets ($N > 3000$), maar dat het raamwerk een rigoureuze statistische basis biedt. Zij suggereren dat toekomstig werk met behulp van state-space modellen (Kalman-filters) deze schalingsproblemen zal aanpakken, waardoor robuuste modellering van stellaire variabiliteit en instrumentdriften over langere tijdschalen mogelijk wordt. Het artikel concludeert dat deze aanpak het meest voordelig is voor datasets met hoge cadans die zijn ontworpen om stellaire variabiliteit te bestuderen, en niet voor standaard survey-cadens planeetzoekdata waarbij blootstellingstijden verwaarloosbaar zijn ten opzichte van de variabiliteitstijdschalen.