NOMAI : A real-time photometric classifier for superluminous supernovae identification. A science module for the Fink broker

Dit artikel introduceert NOMAI, een machine learning-classificator die in real-time binnen de Fink-broker werkt om zeldzame superluminous supernova's (SLSNe) te identificeren op basis van fotometrische data van de ZTF-survey, zonder spectroscopische roodverschuiving, en die tijdens een evaluatieperiode een hoge recoverysnelheid van actieve SLSNe aantoont.

De kern

Stel je voor dat het heelal een gigantische, onophoudelijke regen van lichtflitsen is. Elke nacht vangen telescopen honderdduizenden van deze flitsen op: sterren die exploderen, zwartgaten die materie opslokken, of gewoon sterren die knipperen. Voor astronomen is dit als proberen een enkele, specifieke parel te vinden in een enorme emmer met zand, schelpen en modder.

Deze specifieke "parel" heet een Superluminale Supernova (SLSN). Het zijn de helderste, meest spectaculaire sterexplosies die we kennen. Ze zijn echter extreem zeldzaam en moeilijk te onderscheiden van de rest.

Hier komt NOMAI in beeld.

Wat is NOMAI?

NOMAI is geen robot die zelf door de ruimte reist, maar een slim computerprogramma dat werkt als een ultrasnelle, onuitputtelijke detective. Het is ontwikkeld door een team van astronomen en werkt binnen een systeem genaamd Fink.

Je kunt Fink zien als een enorme postkantoor voor het heelal. Elke nacht komen er miljoenen enveloppen (de lichtflitsen) binnen. De oude manier van werken was om elke envelop handmatig te openen en te lezen, wat onmogelijk is als je miljoenen per dag hebt. NOMAI is de robot die deze enveloppen in een flits sorteert.

Hoe werkt NOMAI? (De Analogie van de Kledingstijl)

Stel je voor dat je een kledingwinkel hebt met miljoenen klanten. Je wilt alleen diegenen vinden die een heel specifiek, duur pak dragen (de SLSN's), maar je kunt ze niet allemaal van dichtbij bekijken.

1. De Eerste Filter (De Drukte): Eerst laat NOMAI de hele menigte door een smalle poort lopen. Alleen mensen die bewegen (veranderende sterren) mogen binnen. Mensen die stilstaan (normale sterren) of die te donker zijn, worden direct geweerd. Dit bespaart enorm veel tijd.
2. De Lichtkracht (De Lichtmeting): Voor degenen die binnenkomen, kijkt NOMAI niet naar hun gezicht (want dat is vaak te ver weg om te zien), maar naar hun kledingstijl over tijd.
   • Het programma tekent een grafiek van hoe helder de ster is geweest de afgelopen 30 dagen.
   • Het gebruikt slimme wiskundige modellen (zoals een "Rainbow"-model) om te kijken: Is dit een snelle flits? Is het een langzame gloed? Is het blauw of rood?
   • Het is alsof NOMAI zegt: "Deze persoon heeft een jas aan die langzaam opwarmt en dan langzaam afkoelt. Dat past precies bij het profiel van een Superluminale Supernova!"
3. De Leraar (Machine Learning): NOMAI is niet zomaar een rekenmachine; het is geleerd. Het heeft duizenden voorbeelden van echte SLSN's en "normale" sterren gezien. Het heeft geleerd welke patronen echt zijn en welke nep. Het is als een chef-kok die duizenden recepten heeft geproefd en nu in één keer kan zeggen: "Dit is een echte truffel, dat is gewoon een aardappel."

Waarom is dit zo belangrijk?

Vroeger moesten astronomen wachten tot een ster helder genoeg was om met een grote telescoop naar te kijken en een "spectrograaf" (een soort prisma) te gebruiken om de chemische samenstelling te meten. Maar dat kost tijd en geld.

Met NOMAI kunnen ze direct weten welke sterren de moeite waard zijn.

• Snelheid: NOMAI werkt in echt tijd. Zodra een ster een bepaalde helderheid bereikt, krijgt de menselijke expert een melding op zijn telefoon of computer.
• Efficiëntie: In plaats van 1000 sterren te bestuderen, kijkt de mens nu alleen naar de 20 die NOMAI als "belangrijk" heeft gemarkeerd.
• Resultaat: In de eerste twee maanden dat NOMAI actief was, vond het 22 van de 24 bekende, actieve SLSN's die in de wereldwijde database stonden. Dat is een vangstpercentage van 92%!

De "Slack-bot"

Om het nog makkelijker te maken, heeft het team een Slack-bot gemaakt. Dit is een digitale boodschapper die elke nacht een lijstje maakt van de "top 10" meest interessante sterren die NOMAI heeft gevonden. Het is alsof je elke ochtend een krantje krijgt met de titel: "Kijk hier, hier en hier! Deze sterren zijn waarschijnlijk de grootste explosies van de maand."

Wat komt er nu?

Momenteel kijkt NOMAI naar de data van de Zwicky Transient Facility (ZTF), een telescoop in Californië. Maar de echte uitdaging komt eraan: de Vera C. Rubin Observatory. Deze nieuwe telescoop gaat in de toekomst tien miljoen lichtflitsen per nacht zien. Dat is zoveel dat mensen het nooit meer alleen kunnen doen.

NOMAI is de testversie van de toekomst. Het bewijst dat we met slimme computers de "zandkorrels" kunnen filteren om de "parels" te vinden. Zonder NOMAI zouden we waarschijnlijk de meest spectaculaire gebeurtenissen in het heelal missen, omdat we te druk waren met het kijken naar de verkeerde sterren.

Kortom: NOMAI is de slimme, onuitputtelijke assistent die ervoor zorgt dat we de helderste vuurwerkshow van het heelal niet missen, zelfs niet als er duizenden andere lichtjes tegelijk afvuren.

Technische samenvatting

Probleemstelling

Superluminous supernovae (SLSNe) zijn uiterst zeldzame en heldere sterrenexplosies die 10 tot 100 keer helderder zijn dan standaard supernova's. Ze zijn cruciaal voor het bestuderen van het hoge-roodverschuivingsuniversum, maar hun zeldzaamheid maakt het moeilijk om voldoende steekproeven te verzamelen. Moderne tijdsdomein-surveys zoals de Zwicky Transient Facility (ZTF) genereren honderdduizenden alerts per nacht. De traditionele aanpak van het spectroscopisch volgen van elke kandidaat is onmogelijk. Er is dus behoefte aan geautomatiseerde, real-time fotometrische classificatie om SLSN-kandidaten efficiënt te identificeren uit de alertstromen, zonder afhankelijk te zijn van spectroscopische roodverschuivingen.

Methodologie

Het paper introduceert NOMAI, een machine-learning classifier die als "science module" is geïntegreerd in de Fink broker. De aanpak bestaat uit de volgende stappen:

1. Data Filtering en Selectie:

   • De ruwe ZTF-alertstroom (ca. 250.000 alerts/nacht) wordt gefilterd met de transient_complete filter om niet-transiënte bronnen (zoals variabele sterren en artefacten) te verwijderen. Dit reduceert de stroom tot enkele honderden alerts per nacht.
   • Er worden kwaliteitseisen gesteld: een lichtkromme moet minimaal 30 dagen aan geschiedenis hebben, meer dan 7 waarnemingen in totaal, en minimaal 3 waarnemingen in elk filter (ZTF-g en ZTF-r).

2. Dataset Constructie:

   • De trainingsdataset bestaat uit 5280 unieke bronnen, waarvan 225 spectroscopisch geclassificeerde SLSNe. De labels komen uit Fritz, TNS (Transient Name Server) en literatuursamples.
   • Om de onbalans in de dataset (SLSNe zijn zeldzaam) en de real-time aard van alerts te simuleren, worden volledige lichtkrommen opgesplitst in "pseudo-alerts". Hierbij worden de recentste waarnemingen iteratief verwijderd om lichtkrommen te creëren die verschillende evolutiestadia van de explosie vertegenwoordigen. Dit verhoogt het aantal SLSN-gebeurtenissen in de dataset van ~4% naar ~12%.

3. Feature Extractie:

   • Omdat machine learning modellen homogene input vereisen, worden de onregelmatige lichtkrommen omgezet in numerieke features.
   • Model-fitting: Twee fysiek gemotiveerde modellen worden toegepast:
     • Rainbow: Een blackbody-gebaseerd raamwerk dat de bolometrische flux (met een Bazin-functie) en de temperatuur-evolutie (met een afnemende sigmoid-functie) simultaan fit.
     • SALT2: Een empirisch model specifiek voor Type Ia supernova's, gebruikt om deze klasse te onderscheiden.
   • Statistische Features: Direct uit de ruwe data gehaalde waarden zoals flux-amplitude, helling, schuifmaat (skewness), en de afstand tot de dichtstbijzijnde ster.
   • Dit resulteert in 27 features per alert.

4. Classificatie en Post-Processing:

   • Een XGBoost-classifier wordt getraind op deze features. Om de dataset-onbalans aan te pakken, worden de labels gewogen.
   • Hyperparameter-optimalisatie: De beste parameters worden gevonden via een random grid search om de F1-score te maximaliseren.
   • Fysieke Validatie: De outputkansen worden aangepast op basis van de absolute magnitude. Als de berekende absolute magnitude (gebaseerd op fotometrische roodverschuiving) zwakker is dan -19.75 mag, wordt de kans op een SLSN op 0 gezet.

Belangrijkste Resultaten

• Trainingsprestaties: Op de trainingsset bereikt NOMAI een compleetheid van 66% en een puurheid van 58%. Dit betekent dat twee van de drie SLSNe correct worden geïdentificeerd op basis van alleen fotometrie.
• Real-time Operatie: Sinds 18 december 2025 draait NOMAI continu op de ZTF-alertstroom via Fink.
• Evaluatieperiode (2 maanden):
  • De classifier identificeerde 22 van de 24 actieve SLSNe die in deze periode op de TNS werden gemeld. Dit suggereert een zeer hoge compleetheid (92% op de bekende TNS-lijst, hoewel dit een bovengrens is omdat niet alle SLSNe op TNS staan).
  • Van de 83 unieke kandidaten die door het model werden gemeld, werden er 39 bevestigd als correcte identificaties (waaronder 22 TNS-bevestigde SLSNe).
  • De belangrijkste bronnen van vals-positieven waren AGN's (actieve galactische kernen) en SNe II/IIn die qua lichtkromme lijken op SLSNe.
• Feature Importance: De meest informatieve feature bleek de x1 parameter (stretch) van het SALT2-model te zijn, gevolgd door de opstijgtijd (rise_time) en de fit-kwaliteit (chi2) van het Rainbow-model.

Bijdragen en Significantie

1. Real-time Identificatie: NOMAI is een van de eerste classifiers die SLSNe direct en continu identificeert in de live ZTF-alertstroom zonder spectroscopische input.
2. Integratie in Fink: De tool is als een "science module" ingebouwd in de Fink-infrastructuur, wat automatische distributie van kandidaten via Slack-kanaaltjes mogelijk maakt voor snelle besluitvorming door experts.
3. Fysiek Gemotiveerde Features: In plaats van puur data-gedreven deep learning, gebruikt NOMAI fysiek onderbouwde parameters (via Rainbow en SALT2), wat de interpretatie en generalisatie verbetert.
4. Voorbereiding op LSST: De methode is ontworpen om schaalbaar te zijn naar de toekomstige Vera C. Rubin Observatory (LSST), die een orde van grootte meer transiënten zal genereren. De huidige prestaties tonen aan dat machine learning essentieel zal zijn om deze stroom te beheersen.
5. Wetenschappelijke Impact: De tool helpt bij het versnellen van het vinden van zeldzame gebeurtenissen, wat cruciaal is voor spectroscopische follow-up en het beter begrijpen van de oorsprong en mechanismen van SLSNe.

Conclusie:
NOMAI biedt een robuust en effectief middel om superluminous supernova's te detecteren in grote datastromen. Hoewel er nog uitdagingen zijn met betrekking tot snellere evoluties en de onderscheiding tussen SNe IIn en SLSNe-II, bewijst het systeem zijn waarde als een real-time aanbevelingssysteem dat de zichtbaarheid van veelbelovende kandidaten voor de astronomische gemeenschap aanzienlijk verhoogt.