Probing evolution of Long GRB properties through their cosmic formation history aided by Machine Learning predicted redshifts

Resumo Técnico: Investigação da Evolução das Propriedades de GRBs Longos Através de Sua História de Formação Cósmica Auxiliada por Redshifts Previstos por Aprendizado de Máquina

Declaração do Problema
As Explosões de Raios Gama (GRBs) servem como sondas críticas para a história da formação estelar cósmica (SFRH), estendendo-se até a época da reionização. No entanto, uma limitação significativa nos estudos atuais é que aproximadamente 80% dos GRBs carecem de redshifts ($z$) medidos, pois a determinação espectroscópica ou fotométrica requer acompanhamento rápido da emissão do afterglow, o que frequentemente é inatingível. Os métodos existentes para estimar redshifts usando correlações internas de GRBs sofrem de argumentos de circularidade (assumindo uma cosmologia para derivar a correlação e, em seguida, usando-a para encontrar $z$) e incertezas sistemáticas. Consequentemente, os conjuntos de dados usados para derivar a Densidade de Taxa de GRBs Longos (LGRB-RD) são pequenos e potencialmente enviesados, impedindo uma compreensão clara da evolução dos GRBs e de sua relação com a Densidade de Taxa de Formação Estelar (SFRD).

Metodologia
Este estudo utiliza uma amostra de GRBs Longos (LGRBs) com redshifts previstos por modelos de Aprendizado de Máquina (ML), treinados em parâmetros de emissão inicial e afterglow em raios X (especificamente correlações de platô em raios X), sem depender de pressupostos cosmológicos. A análise prossegue através das seguintes etapas:

1. Seleção de Dados: Os autores constroem dois conjuntos de dados:

   • Amostra Prevista (PS): 228 LGRBs com platôs em raios X, mas sem redshifts observados, onde $z$ foi previsto usando o modelo de ML de Narendra et al. (2025) (N25). Valores atípicos com erros elevados de redshift ou luminosidade foram removidos.
   • Amostra Combinada (CS): 446 LGRBs compreendendo a PS mais 218 LGRBs com redshifts espectroscópicos conhecidos e platôs em raios X (a "Amostra Observada" ou OS).
   • Cortes: Ambas as amostras foram filtradas para remover GRBs abaixo do limite de luminosidade do instrumento (determinado via testes de Kolmogorov-Smirnov) e o GRB 060614 (um GRB longo de origem de fusão).

2. Cálculo da Densidade de Taxa:

   • Os autores aplicam o método de Efron-Petrosian (EP) para corrigir efeitos de seleção e derivar a distribuição cumulativa de densidade de taxa ($\sigma$).
   • Para contabilizar a possível evolução nas propriedades dos GRBs (por exemplo, luminosidade), um fator de correção $L' = L/(1+z)^k$ é aplicado. O parâmetro $k$ é determinado encontrando o valor onde a estatística Kendall-$\tau$ é zero, garantindo a independência entre luminosidade e redshift.
   • A LGRB-RD ($\rho$) é calculada diferenciando a distribuição cumulativa e escalonando por fatores que contabilizam a sensibilidade do instrumento, campo de visão, tempo de operação e o número total de GRBs detectados.

3. Comparação Teórica:

   • Uma densidade de taxa teórica ($\rho_{theor}$) é construída escalonando a SFRD (Madau & Dickinson 2014) por fatores de conversão (fração de collapsar, tipos de supernova, colimação) e um termo evolutivo $(1+z)^\delta$.
   • O estudo testa três cenários evolutivos: sem evolução ($\delta=0$), evolução de colimação ($\delta=1.6$) e um termo de evolução geral onde $\delta$ varia entre -4 e 4.

Principais Resultados

• Significância da Evolução: A análise revela evidências significativas de evolução nas propriedades dos GRBs. Os valores de melhor ajuste para $k$ são $2.2^{+0.8}_{-0.7}$ para a Amostra Prevista (PS) e $2.5^{+0.4}_{-0.4}$ para a Amostra Combinada (CS), correspondendo a significâncias de $\sim3\sigma$ e $\sim6\sigma$, respectivamente, em relação ao caso sem evolução ($k=0$).
• Tendências da Densidade de Taxa:
  • As densidades de taxa para ambas as amostras atingem o pico na faixa de redshift de $z \sim 1-2$.
  • A PS atinge o pico em um redshift mais alto do que a CS, atribuído ao viés do modelo de ML em direção à média da distribuição de treinamento, o que foi posteriormente corrigido.
  • Um excesso (aumento) em baixo redshift ($z < 1$) é observado na CS, que os autores atribuem a possíveis contribuições de fusões, GRBs de Baixa Luminosidade (LLGRBs) ou artefatos de ajuste.
• Modelos Evolutivos:
  • Nenhum modelo evolutivo único (lei de potência em $1+z$) explica com sucesso a densidade de taxa em toda a faixa de redshift para qualquer uma das amostras.
  • Embora valores específicos de $\delta$ possam corresponder às extremidades de baixo-$z$ ou alto-$z$ dos dados, nenhum captura a distribuição completa. Para a CS, $\delta = -0.3$ ajusta a tendência de baixo-$z$, enquanto $\delta = -0.9$ ajusta o pico e a extremidade de alto-$z$.
  • O pico da densidade de taxa da CS ocorre em $z \sim 1.6$ (tempo de retrocesso $\sim 9.5$ Gyr), enquanto a SFRD MD14 atinge o pico em $z \sim 1.9$ (tempo de retrocesso $\sim 10.1$ Gyr). Os autores notam que essa discrepância está dentro das margens de erro, mas sugere influências potenciais de interações binárias que estendem a vida útil dos progenitores.

Significância e Alegações
O artigo afirma que a integração de redshifts previstos por ML é um "passo crucial para frente" na expansão do conjunto de dados disponível para estudar a evolução dos GRBs. Ao aumentar o tamanho da amostra, os autores demonstram que:

1. Questões de Homogeneidade da Amostra: A incapacidade de termos de evolução simples em lei de potência explicarem a densidade de taxa em todos os redshifts sugere ou um termo evolutivo mais complexo ou não homogeneidade da amostra (por exemplo, uma mistura de GRBs de origem de collapsar e de fusão dentro da classificação de GRBs longos).
2. Rastreamento da SFRD: Embora os LGRBs geralmente rastreiem a SFRD até $z \sim 6$, a evolução específica de suas propriedades (colimação, metalicidade, tipo de progenitor) introduz desvios que uma simples escala não pode resolver completamente.
3. Direções Futuras: Os autores enfatizam que a análise atual de ML é a mais precisa até a data, mas que melhorias futuras exigem a combinação de amostras de platô ópticos e em raios X para treinamento e a utilização de dados de missões futuras (SVOM, Rubin, THESEUS, Hi-Z GUNDAM) para aumentar a amostra de redshifts conhecidos. Eles alertam que a combinação de amostras multi-comprimento de onda requer cuidado devido a possíveis diferenças nos locais de emissão e efeitos de extinção por poeira.

O estudo conclui que, embora as densidades de taxa derivadas sejam confiáveis na faixa de redshift médio, as incompatibilidades em redshifts baixos e altos destacam a necessidade de investigação adicional sobre a diversidade de progenitores e as origens físicas das características observadas na densidade de taxa.