Radiative Transfer Modeling of Stripped-envelope Supernovae II: Neural Network Emulation of Light Curves

Technische Samenvatting: Radiatieve Overdracht Modellering van Stripped-envelope Supernovae II: Neurale Netwerk Emulatie van Lichtcurves

Probleemstelling
Stripped-envelope supernovae (SESNe) vertonen een breed scala aan luminositeiten en evolutie-tijdschalen. Traditionele methoden voor het afleiden van fysische parameters (zoals ejectamassa $M_{ej}$, nikkelmassa $M_{Ni}$ en snelheidsprofielen) uit lichtcurves vertrouwen op semianalytische modellen zoals het Arnett-model. Echter, deze modellen leunen vaak op vereenvoudigende aannames—zoals een uniforme dichtheid en frequentie-onafhankelijke opaciteit—die er niet in slagen de complexiteit van echte ejecta te vatten, waaronder variabele snelheidsprofielen en $^{56}$Ni-menging. Gevolgen hiervan zijn sterke degeneraties tussen massa en snelheid, wat leidt tot systematische biases in de afgeleide parameters.

Hoewel radiatieve overdracht (RT) codes zoals SEDONA meer realistische simulaties bieden door foton-diffusie door complexe ejectastructuren te volgen, zijn ze computationeel zeer kostbaar. Een enkele simulatie kan uren duren, wat ze onhaalbaar maakt voor Bayesiaanse inferentie-pipelines die $\sim10^6$ forward model calls vereisen om posterieure verdelingen te bemonsteren. Het uitvoeren van dergelijke inferentie met directe RT-simulaties zou millennia duren op een enkele kern.

Methodologie
De auteurs presenteren de eerste op neurale netwerken gebaseerde emulator voor SESN-lichtcurves, ontworpen om de output van de SEDONA RT-code te benaderen met ordes van grootte verbeterde snelheden.

• Trainingsdata: De emulator wordt getraind op een grid van 4.499 lichtcurves gesimuleerd met SEDONA. Dit grid breidt de oorspronkelijke 1.000-punts grid uit van een eerdere studie (Yadavalli et al. 2026, hierna Y26) met 3.499 extra punten gegenereerd via random sampling en active learning.
• Fysische Parameterisatie: De inputruimte bestaat uit negen fysische parameters die het ejectaproprofiel beschrijven: $M_{He}$, $M_{Ni}$, $M_{bulk}$, minimale snelheid ($v_{min}$), snelheidverschil ($\Delta v$) en vier latente variabelen ($\eta_{vel}, \eta_{He}, \eta_{Ni}, \eta_{bulk}$) die de distributie van massa en snelheid definiëren. De output is een gedownsampled spectrum (resolutie $R \approx 30$) over 41 log-uniform verdeelde golflengten (3000–10000 Å) op specifieke tijdstappen (5 tot 60 dagen na de explosie).
• Architectuur: De emulator maakt gebruik van een Multilayer Perceptron (MLP) met vijf verborgen lagen en 2.000 neuronen per laag. Hoewel een transformer-architectuur werd getest en een hoge nauwkeurigheid toonde in spectrale reconstructie, werd de MLP gekozen vanwege de superieure inferentie-snelheid ($\sim$ milliseconden per call versus $\sim$ 100s van milliseconden voor transformers).
• Onzekerheidskwantificatie: De auteurs modelleren expliciet twee bronnen van systematische fout in hun Bayesiaanse inferentie-pipeline (geïmplementeerd in MOSFiT):
  1. Emulator Onzekerheid: Het RMS-verschil tussen de voorspelling van de emulator en de ware SEDONA-simulatie.
  2. SEDONA Onzekerheid: De systematische fout geïntroduceerd door de aanname van Lokale Thermische Evenwicht (LTE) in SEDONA, geschat door de resultaten van SEDONA te vergelijken met niet-LTE CMFGEN-simulaties.
     Deze onzekerheden worden geparametriseerd als functies van de tijd sinds de explosie en worden direct in de likelihood-berekening opgenomen.

Belangrijkste Bijdragen en Resultaten

1. Doorbreken van de Massa-Snelheid Degeneratie:
   De primaire bevinding is dat de emulator er succesvol in slaagt de sterke degeneratie tussen ejectamassa ($M_{ej}$) en ejectasnelheid ($v_{ej}$) te doorbreken die het Arnett-model teistert. In het Arnett-model zijn deze parameters inherent gekoppeld, waardoor de inferentie vaak gedwongen wordt te vertrouwen op de gedegenereerde combinatie $\sqrt{M_{ej}/v_{ej}}$. De emulator kan, door de volledige RT-fysica te leren, $M_{ej}$ en het snelheidsprofiel onafhankelijk vaststellen.

2. Superieure Parameter-reconstructie:
   De auteurs testten de emulator op gesimuleerde lichtcurves die lijken op die van de Zwicky Transient Facility (ZTF) en de komende Vera C. Rubin Observatory (LSST).

   • $M_{Ni}$: De emulator bereikt een Root Mean Square (RMS) fout van 0.008 $M_{\odot}$ (LSST) en 0.007 $M_{\odot}$ (ZTF), vergeleken met 0.33 en 0.70 $M_{\odot}$ voor het Arnett-model, respectievelijk. Het Arnett-model overschat $M_{Ni}$ systematisch met $\sim$80% (LSST) tot een factor drie (ZTF).
   • $M_{ej}$: De emulator herstelt de ejectamassa met een RMS van 0.9 $M_{\odot}$ (LSST) en 1.2 $M_{\odot}$ (ZTF), terwijl het Arnett-model in essentie prior-draws teruggeeft met fouten van 2.6 en 3.0 $M_{\odot}$.
   • Snelheid: De emulator herstelt de snelheid met een RMS van $\sim$1.340 km/s (LSST), wat aanzienlijk beter presteert dan het Arnett-model ($\sim$3.800 km/s).
   • Menging: De emulator slaagt er succesvol in om de mate van $^{56}$Ni-menging ($r_{95,Ni}$) te beperken, een parameter die het Arnett-model niet kan adresseren.

3. Toepassing op Werkelijke Observaties:
   De pipeline werd toegepast op drie goed bestudeerde SESNe: SN 1994I (Type Ic), SN 2007gr (Type Ic) en iPTF13bvn (Type Ib).

   • SN 1994I: De geïnferreerde $M_{Ni}$ (0.048 $M_{\odot}$) komt overeen met tail-gebaseerde metingen maar is lager dan piek-luminositeitsschattingen. Het model suggereert een hoge $^{56}$Ni-menging ($r_{95,Ni} \approx 0.35$), consistent met spectrale studies, en impliceert dat het discrepantie tussen piek- en tail-luminositeit te wijten is aan menging in plaats van een extra energiebron.
   • SN 2007gr: De resultaten zijn consistent met de literatuurwaarden, wat duidt op matige $^{56}$Ni-menging.
   • iPTF13bvn: Het model indiceert zwakke $^{56}$Ni-menging ($r_{95,Ni} \in [0.1, 0.2]$) en een platter snelheidsprofiel vergeleken met de Type Ic-events, wat spectropolarimetrische beperkingen ondersteunt boven 1D-lichtcurvemodellen die sterke menging vereisen.

Betekenis en Claims
Het artikel claimt dat dit werk een computationeel haalbaar kader vestigt voor het uitvoeren van rigoureuze Bayesiaanse inferentie op SESN-lichtcurves met behulp van volledige radiatieve overdrachtsfysica. Door dure RT-simulaties te vervangen door een snelle neurale netwerk-emulator, maakt de auteur het mogelijk om de onafhankelijke beperking van ejectamassa, snelheid en menging te bepalen—parameters die traditioneel gedegenereerd zijn in semianalytische benaderingen.

De auteurs benadrukken dat hun methode aanzienlijk nauwkeuriger is in het herstellen van fysische parameters voor zowel gesimuleerde als geobserveerde data dan het klassieke Arnett-model. Ze merken op dat hoewel de emulator is getraind op een specifiek grid van modellen (gebaseerd op de progenitor-modellen van Woosley et al. 2021), het er succesvol in slaagt geobserveerde lichtcurves te reproduceren en fysische parameters te herstellen die consistent zijn met onafhankelijke literatuur-beperkingen. Dit werk legt de basis voor het toepassen van deze inferentie-pipeline op statistische steekproeven van honderden SESNe in het LSST-tijdperk om de diversiteit van progenitor-systemen en explosiemechanismen te karakteriseren.