LITMUS: Bayesian Lag Recovery in Reverberation Mapping with Fast Differentiable Models

Resumo Técnico: LITMUS: Recuperação Bayesiana de Atraso em Mapeamento de Reverberação com Modelos Diferenciáveis Rápidos

Enunciação do Problema
O mapeamento de reverberação (RM) é uma técnica primária para estimar as massas de buracos negros supermassivos em núcleos galácticos ativos (AGN) e restringir a escala física da região de linhas largas (BLR). No entanto, campanhas modernas de RM em grande escala (por exemplo, OzDES, SDSS) enfrentam um desafio persistente conhecido como "aliasing" (sobreposição espectral). Esse fenômeno surge da combinação de lacunas sazonais de observação (tipicamente seis meses) e da natureza estocástica da variabilidade dos AGN. O aliasing manifesta-se como distribuições posteriores multimodais, onde picos de atraso espúrios aparecem em intervalos correspondentes às lacunas sazonais (por exemplo, ~180 dias, ~540 dias).

Os métodos mais avançados atuais, particularmente o amplamente utilizado JAVELIN, dependem de Amostradores de Ensemble Invariantes Afins (AIES) para explorar a distribuição posterior. Os autores argumentam que o AIES é inadequado para a geometria "áspera" e multimodal das posteriores de RM. Consequentemente, os amostradores frequentemente ficam "presos" em modos de aliasing, superamostrando-os e criando picos falsos que parecem estatisticamente significativos. As abordagens tradicionais para mitigar isso envolvem cortes de qualidade frequentistas (por exemplo, rejeitar atrasos negativos ou reduzir o peso de picos de aliasing), que frequentemente descartam uma grande fração de dados válidos (até 90% em alguns regimes rigorosos) para garantir pureza.

Metodologia
O artigo apresenta o LITMUS (Inferência de Atraso Através do Uso Misto de Amostradores), uma nova ferramenta de recuperação bayesiana de atraso baseada no modelo de "caminhada aleatória amortecida" (DRW) da variabilidade de quasares e implementada dentro do framework de diferenciação automática JAX.

A inovação metodológica central é o algoritmo de Quadratura de Laplace, projetado para navegar no complexo panorama posterior sem as falhas de mistura do MCMC:

1. Exploração Baseada em Grade: Em vez de amostrar todo o espaço de parâmetros simultaneamente, o LITMUS coloca uma grade de atrasos de teste ($\Delta t_i$) ao longo do eixo de atraso.
2. Otimização Condicional: Em cada atraso de teste, todos os outros parâmetros não relacionados ao atraso (por exemplo, escala de tempo DRW $\tau$, amplitudes) são otimizados para encontrar a estimativa de máxima a posteriori (MAP) condicional.
3. Aproximação de Laplace: A distribuição posterior ao redor desses ótimos condicionais é aproximada como uma Gaussiana multivariada usando a matriz Hessiana da densidade logarítmica (calculada via autodiff do JAX).
4. Integração de Evidência: A evidência do modelo (verossimilhança marginal) para cada "fatia" é calculada analiticamente usando a aproximação Gaussiana. Essas fatias são então integradas ao longo do eixo de atraso (usando as regras de Simpson ou Trapézio) para computar a evidência bayesiana total.

O LITMUS também inclui:

• Quadratura SVI: Uma variação usando Inferência Variacional Estocástica para ajustar as fatias Gaussianas, oferecendo robustez contra posteriores não Gaussianas onde a aproximação de Laplace pode falhar.
• Amostragem Aninhada: Uma interface com o JAXNS para convergência incondicional.
• Comparação de Modelos Bayesiana: O framework calcula explicitamente evidências bayesianas para testar hipóteses nulas (por exemplo, "Existe um atraso?" vs. "A resposta é apenas ruído não correlacionado?").

Principais Contribuições

• Mudança Algorítmica: Substitui a amostragem baseada em MCMC (especificamente AIES) por uma abordagem de otimização baseada em grade e aproximação de Laplace, que os autores demonstram ser muito mais eficaz para navegar nos picos de aliasing multimodais.
• Evidência Bayesiana para Teste de Hipótese Nula: Fornece uma alternativa rigorosa e quantificada aos cortes de seleção pós-ajuste. Ao calcular o Fator de Bayes entre um modelo "com atraso" e um modelo "sem atraso" (ou desacoplado), o LITMUS pode distinguir estatisticamente atrasos verdadeiros de artefatos de aliasing espúrios.
• Modularidade e Velocidade: Construído sobre JAX e numpyro, o LITMUS oferece um framework flexível para estender modelos estatísticos (por exemplo, adicionar funções de transferência ou parâmetros físicos) e alcança velocidades computacionais comparáveis ou superiores às ferramentas existentes, superando a amostragem aninhada em uma ordem de magnitude em custo.
• Implementação de Métodos Padrão: Inclui implementações aceleradas por JAX da Função de Correlação Cruzada Interpolada (ICCF) e da amostragem aninhada para comparação direta.

Resultados
Os autores testaram o LITMUS em curvas de luz simuladas modeladas a partir da amostra OzDES, comparando-o com o JAVELIN (usando AIES) e o PyCCF (ICCF).

• Taxa de Falsos Positivos (FPR): Em conjuntos simulados com atrasos verdadeiros, os métodos de quadratura de Laplace e SVI do LITMUS alcançaram um FPR pré-corte de < 5%, enquanto métodos do tipo JAVELIN com AIES e ICCF exibiram FPRs de 40–66%.
• Capacidade de Triagem: Ao aplicar um corte de evidência bayesiana (exigindo um Fator de Bayes > 10 a favor de um atraso), o LITMUS manteve a vasta maioria das recuperações verdadeiras (>80–95%) enquanto reduzia o FPR para < 1,5%. Em contraste, o JAVELIN e o ICCF exigiram descartar uma fração muito maior da amostra para alcançar pureza similar e, mesmo assim, retiveram significativamente mais atrasos espúrios.
• Simulações Desacopladas: Em conjuntos simulados contendo nenhum atraso verdadeiro (sinais desacoplados), o LITMUS identificou e rejeitou com sucesso ~98–99% dos falsos positivos usando o Fator de Bayes, enquanto o JAVELIN e o ICCF retiveram ~10 vezes mais fontes espúrias.
• Eficiência Computacional: A Quadratura de Laplace do LITMUS foi encontrada sendo uma ordem de magnitude mais rápida que a amostragem aninhada, enquanto fornecia precisão comparável na recuperação de atrasos.

Significado e Alegações
O artigo afirma que o problema de aliasing no RM é amplamente um artefato numérico resultante da escolha do método de amostragem (AIES) e não uma limitação inerente do modelo estatístico ou dos próprios dados. Ao empregar a Quadratura de Laplace, o LITMUS fornece uma recuperação "correta de modo" da posterior, resolvendo efetivamente os picos de aliasing que afligem os métodos atuais.

Os autores afirmam que o LITMUS permite a recuperação de mais atrasos com maior precisão e significativamente menos falsos positivos do que as ferramentas existentes. Crucialmente, ele permite a aplicação de comparação rigorosa de modelos bayesianos para filtrar dados, potencialmente recuperando uma fração maior dos conjuntos de dados existentes do OzDES e SDSS que anteriormente foram descartados devido a cortes de qualidade rigorosos. O artigo posiciona o LITMUS não apenas como uma ferramenta mais rápida, mas como um framework estatisticamente robusto que pode expandir o espaço de parâmetros dos estudos de RM, permitindo o teste de modelos físicos mais complexos (por exemplo, atrasos variáveis no tempo ou geometria da BLR) sem o risco de falsos positivos induzidos por aliasing.