Optimizing Optical Searches for Supermassive Black Hole Binaries in AGN Light Curves: Fourier versus Bayesian Periodicity Detection

Technische Samenvatting: Optimalisatie van optische zoektochten naar supermassieve zwarte gat-binairsystemen in AGN-lichtcurves

Probleemstelling
De detectie van supermassieve zwarte gat-binairsystemen (SMBHBs) via elektromagnetische (EM) observaties berust op het identificeren van periodieke helderheidsvariaties in de lichtcurves van actieve nuclei van sterrenstelsels (AGN). Deze variaties worden toegeschreven aan relativistische Doppler-boosting (RDB) en interacties tussen circumbinaire schijven en mini-schijven. Echter, intrinsieke AGN-variabiliteit, gemodelleerd als een Damped Random Walk (DRW), creëert een stochastische "rode ruis"-achtergrond die periodiciteit nabootst. Deze uitdaging wordt verergerd door schaarse bemonstering en korte observationele baselines in huidige en toekomstige surveys (Catalina Real-Time Transient Survey [CRTS], Zwicky Transient Facility [ZTF] en de aankomende Legacy Survey of Space and Time [LSST]). De primaire moeilijkheid ligt in het onderscheiden van echte binaire signalen van louter DRW-fluctuaties, terwijl de False Positive Rate (FPR) wordt geminimaliseerd zonder de True Positive Rate (TPR) op te offeren.

Methodologie
De auteurs simuleren een populatie van AGN-lichtcurves die de observationele eigenschappen van CRTS, ZTF en LSST vertegenwoordigen. De simulaties combineren een DRW-proces (om stochastische variabiliteit te modelleren) met een geïnjecteerd sinusoïdaal signaal (om de orbitale beweging van de SMBHB te modelleren). De studie evalueert drie verschillende methoden voor periodiciteitsdetectie:

1. Nested Bayesian Sampler (NBS): Maakt gebruik van de Ultranest-package om Bayesiaanse modelselectie uit te voeren tussen een zuiver DRW-model en een gecombineerd DRW+Sinusoïde-model. Modelvoorkeur wordt bepaald met behulp van het Bayesiaans Informatie-criterium ($\Delta$BIC).
2. Generalized Lomb-Scargle Periodogram (GLSP): Geïmplementeerd via PyAstronomy, deze Fourier-gebaseerde methode detecteert periodiciteit in ongelijkmatig bemonsterde data. Modelselectie berust op False Alarm Probability (FAP)-berekeningen, inclusclusief Gaussische ($FAP_{Gauss}$), globale bootstrap ($FAP_{global}$) en lokale bootstrap ($FAP_{local}$) varianten.
3. Weighted Wavelet Z-transform (WWZ): Geïmplementeerd via de wwz-package, deze methode gebruikt gelokaliseerde wavelets om evoluerende periodieke signalen te detecteren. Modelselectie maakt gebruik van diverse FAP-definities ($FAP_{local-local}$, $FAP_{local-avg}$, $FAP_{avg-local}$) gebaseerd op bootstrap-simulaties tegen een DRW-achtergrond.

Om de computationele last van LSST (geprojecteerd op $\sim10^7$ lichtcurves) aan te pakken, stellen de auteurs een "databaseprocedure" voor voor snelle triage. In plaats van unieke bootstrap-distributies te generen voor elke kandidaat, berekenen zij vooraf periodogram-distributies voor twee "representatieve" LSST-survey-vensters en gebruiken zij deze om FAPs voor alle kandidaten te schatten.

Belangrijkste Resultaten

• Prestaties van de methoden: De NBS ($\Delta$BIC) wordt geïdentificeerd als de meest robuuste classifier, die de meest "complete" steekproeven produceert (hoge Genuine True Positive Rate, TPR(P)) met minimale fout-positieven. Onder de Fourier-methoden biedt de GLSP met lokale bootstrap FAP ($FAP_{local}$) de beste balans tussen volledigheid en een lage FPR, terwijl $FAP_{Gauss}$ computationeel efficiënt is maar minder accuraat voor rode ruis. De WWZ presteert goed voor middellange tot lange perioden, maar heeft moeite met kort-periodieke signalen door artefacten van schaarse bemonstering.
• Parameterafhankelijkheid: Detectiesucces voor alle methoden correleert positief met de geïnjecteerde sinusoïdale amplitude ($A_{in}$) en negatief met de DRW-variabiliteitsamplitude ($\sigma_{in}$). Alle methoden vertonen verminderde sensitiviteit wanneer de geïnjecteerde periode de observationele baseline ($T_{obs}$) nadert, hoewel de NBS signalen kan detecteren met minder dan twee volledige cycli.
• Gezamenlijke Modelselectie: Het combineren van NBS- en GLSP-modelselectie vermindert de FPR's aanzienlijk (met meer dan een orde van grootte) met slechts een marginale impact op de TPR(P). Het toevoegen van WWZ-selectie vermindert de FPR verder, maar gaat ten koste van een significant lagere TPR(P).
• LSST Triage: De database-gestuurde $FAP_{Dlocal}$ classifier maakt snelle triage van LSST-data mogelijk. Met strikte drempelwaarden bereikt deze methode een TPR van $\sim40\%$ en een FPR van $\sim0,5\%$ met minimale computationele kosten (verwerking van $\sim10^7$ lichtcurves in $\sim10-30$ uur).
• Fout-positieven: DRW-enkelvoudige lichtcurves die alle selectiecriteria passeren, vertonen de neiging tot hoog-amplitude stochastische variaties die periodiciteit nabootsen. Deze "overtuigende" fout-positieven geven vaak lage perioden en amplitudes aan, wat suggere \text{t dat het combineren van NBS en GLSP deze gevallen effectief filtert.}

Betekenis en Claims
Het artikel beweert een robuuste pijplijn te bieden voor de EM-zijde van een gezamenlijke EM+Gravitatiegolf (GW) SMBHB-detectiepoging. De primaire bijdragen zijn:

1. Validatie van een gelaagde zoekstrategie: De auteurs bevelen een workflow aan waarbij grote datasets eerst worden getrieerd met efficiënte Fourier-methoden (GLSP) om de bulk van niet-periodieke bronnen te filteren, gevolgd door rigoureuze Bayesiaanse analyse (NBS) op de resterende kandidaten.
2. Schaalbaarheid voor LSST: De voorgestelde database-procedure voor FAP-berekening biedt een computationeel haalbare weg om de enorme volumes aan LSST-data te analyseren, wat de identificatie van zeldzame SMBHB-kandidaten binnen een realistische tijdspanne mogelijk maakt.
3. Multi-messenger context: De studie positioneert deze EM-detectiemethoden als complementair aan Pulsar Timing Array (PTA) GW-zoektochten. Door EM-kandidaten met hoge betrouwbaarheid te identificeren, faciliteert de pijplijn gerichte GW-follow-up en gezamenlijke parametereestimatie, wat potentieel de chirp-massa's en bronparameters van SMBHBs nauwkeuriger kan beperken dan GW of EM methoden alleen.

De auteurs concluderen dat, hoewel geen enkele methode perfect is, de combinatie van NBS- en GLSP-modelselectie de optimale afweging biedt voor het identificeren van echte SMBHB-kandidaten in het tijdperk van grootschalige fotometrische surveys.