Surrogate models for type II supernovae: Probing low-energy explosions and interaction-free regimes

Technische Samenvatting: Surrogaatmodellen voor Type II Supernovae

Probleemstelling
De komst van de tijd-domein astronomie, gedreven door surveys zoals de Legacy Survey of Space and Time (LSST) en de Zwicky Transient Facility (ZTF), genereert supernova-stalen die orders van grootte groter zijn dan voorheen beschikbaar. Klassieke Bayesiaanse parametervariatie met behulp van Markov Chain Monte Carlo (MCMC) of nested sampling op hoogwaardige stralingshydrodynamische simulaties (bijv. stella) is op deze schaal computationeel onhaalbaar. Hoewel vooraf berekende grids de drempel verlagen, blijft nauwkeurige interpolatie in continue parameterruimte—met name voor volledige tijd $\times$ golflengte spectrale energieverdelingen (SED's)—een knelpunt. Bov�óngerstaande surrogaatmodellen worstelen bovendien met het robuust dekken van laag-energetische, laag-massa explosieregimes en de specifieke fysica van circumstellaire materiaal (CSM) interactie, wat cruciaal is voor het begrijpen van de ondergrenzen van de massa van core-collapse progenitors en het oplossen van historische massa-discrepanties.

Methodologie
De auteurs presenteren twee onafhankelijke neurale netwerk surrogaatmodellen gebouwd op de stella stralingshydrodynamische simulatiegrids van Moriya et al. [43] en Moriya [59]. Beide modellen maken gebruik van een twee-fasen architectuur:

1. Fase 1 (Autoencoder): Comprimeert hoog-dimensionale SED's (geïnterpoleerd op een $100 \times 100$ tijd-golflengte rooster) naar een laag-dimensionale latente representatie.
2. Fase 2 (Emulator): Brengt fysieke inputparameters in kaart naar de latente ruimte, waardoor de bevroren decoder de volledige SED kan reconstrueren.

Belangrijke architecturale en trainingsinnovaties zijn onder meer:

• Dual-Model Strategie:
  • Interactie-model: Ontworpen voor laag-energetische explosies met potentiële CSM-interactie. Het maakt gebruik van ResNet-blokken als ruggengraat voor de encoder, decoder en emulator. Het modelleert een beperkte CSM-dichtheidsstructuur gedefinieerd door een windversnellingswet ($\beta$-wet).
  • Fotosferisch model: Ontworpen voor standaard, interactievrije Type IIP-gebeurtenissen. Het maakt gebruik van een 2D Convolutional Neural Network (CNN) ruggengraat, die beter presteerde dan ResNet op deze specifieke dataset.
• Latente Mixup Regularisatie: Om het probleem van discontinue latente ruimtes die gebruikelijk zijn bij autoencoders aan te pakken, introduceren de auteurs "latente mixup consistentie". Deze regularisatie dwingt af dat lineaire interpolatie in de latente ruimte overeenkomt met lineaire overgangen in de input-spectrale ruimte, wat de manifold-gladheid en interpolatiestabiliteit in dun bemonsterde regio's verbetert.
• Data Augmentatie: Beide modellen maken gebruik van dimensieloze Gaussische perturbaties ($\sigma=0.01$) op inputparameters en output-SED's om de robuustheid te vergroten, waardoor de trainingssets aanzienlijk worden uitgebreid.
• Inference Framework: De surrogaatmodellen zijn geïntegreerd in redback, een open-source Bayesiaanse inferentie pakket. De workflow gebruikt nested sampling (dynesty) om fysieke parameters af te leiden uit breedband fotometrie, waarbij de surrogaat synthetische lichtcurves genereert via filterconvolutie.

Belangrijkste Bijdragen

• Gespecialiseerde Surrogaten: De ontwikkeling van twee verschillende modellen die zijn afgestemd op verschillende fysieke regimes: één voor CSM-interagerende, laag-energetische explosies en één voor standaard interactievrije Type IIP gebeurtenissen.
• Uitgebreide Parameterdekking: Het interactiemodel breidt de ondergrenzen van de progenitor massa ($9-18 M_\odot$) en explosie-energie ($0.1-5.0 \times 10^{51}$ erg) uit ten opzichte van eerdere grids, specifiek gericht op het laag-luminositeitsregime.
• Architecturale Optimalisatie: De demonstratie dat 2D CNN's superieur zijn aan ResNets voor het fotosferische (interactievrije) regime, terwijl ResNets effectief blijven voor het complexe interactieregime.
• Regularisatietechniek: De toepassing van latente mixup om continuïteit in de latente ruimte te waarborgen, gevalideerd door een significante reductie in reconstructiefout voor latente middendoorpunten vergeleken met niet-geregulariseerde baselines.

Resultaten

• Reconstructiegetrouwheid: Op held-out testsets bereikte het interactiemodel een genormaliseerde SED reconstructie Mean Squared Error (MSE) van $\approx 9.1 \times 10^{-5}$, en het fotosferische model bereikte $1.0 \times 10^{-4}$. Het foutenbudget wordt gedomineerd door de reconstructielimiet van de autoencoder in plaats van de parameter-naar-latente mapping.
• Benchmark Validatie:
  • SN 2005cs (Interactie-model): Het model geeft de voorkeur aan een laag-massa progenitor ($M_{ZAMS} = 10.40^{+0.04}_{-0.05} M_\odot$) en leidt een beperkte dichte CSM-schil af. Dit lost de historische spanning op tussen directe beeldvorming (lage massa) en vroege hydrodynamische modellering (hoge massa), wat suggereert dat CSM-interactie de vroege spectrale kenmerken verklaart.
  • SN 2012aw (Interactie-model): Het model herstelt een progenitor massa ($M_{ZAMS} = 11.05^{+0.06}_{-0.06} M_\odot$) en explosie-energie die consistent zijn met eerdere studies en directe beeldvormingsbeperkingen, wat het vermogen valideert om gebeurtenissen met geïnferred CSM-interactie te behandelen.
  • SN 1999em (Fotosferisch model): Het interactievrije model leidt een progenitor massa af ($M_{ZAMS} = 10.05^{+0.07}_{-0.04} M_\odot$) die consistent is met directe pre-explosie beeldvormingslimieten, wat het vermogen aantoont om de fysica van standaard Type IIP explosies te vangen zonder expliciete CSM-modellering.
• Computationele Efficiëntie: De implementatie van de surrogaat reduceert de runtime voor een volledige Bayesiaanse parametervariatie van dagen (met volledige simulaties) naar minuten.

Betekenis en Claims
Het artikel claimt dat deze surrogaatmodellen een praktisch fundament bieden voor de nabij-real-time fysieke karakterisering van grote supernova-surveys. Door computationele knelpunten te verminderen, maken ze de statistische analyse mogelijk van tienduizenden Type II supernovae die worden verwacht van LSST. De auteurs benadrukken dat hun modellen een fysiek consistente framework bieden voor het oplossen van progenitor massa-discrepanties (bijv. in SN 2005cs) door expliciet CSM-interactie te modelleren waar passend.

De auteurs blijven bescheiden over beperkingen en merken op dat:

1. De modellen vertrouwen op Local Thermodynamic Equilibrium (LTE) aannames, waardoor inferenties in de late fase ($\gtrsim 100$ dagen) in de nebula-fase minder betrouwbaar zijn.
2. Het interactiemodel wordt begrensd door de maximale massaverliessnelheid van de trainingsgrid ($\dot{M} = 10^{-1.0} M_\odot \text{yr}^{-1}$), wat de toepasbaarheid op extreme interactie-events (bijv. SN 2013fs) beperkt.
3. Systematische discrepanties kunnen bestaan in de eerste $\lesssim 10$ dagen van de lichtcurves door effecten die niet gevangen worden in het vereenvoudigde fotosferische framework (bijv. koelende envelop emissie of lijn-blanketing).

Het werk wordt gedistribueerd via de redback surrogates interface, wat directe toepassing mogelijk maakt op bestaande datasets van ZTF en de Catalina Real-time Transient Survey (CSP).