Timing Gamma-ray Pulsars using Gibbs Sampling

Resumo Técnico: Cronometragem de Pulsares de Raios Gama usando Amostragem de Gibbs

Declaração do Problema
As análises de cronometragem de pulsares de raios gama no conjunto de dados do Grande Telescópio de Área (LAT) do Fermi oferecem oportunidades únicas para investigar processos astrofísicos, como ruído de cronometragem (TN) em pulsares jovens, variações do período orbital (OPVs) em sistemas binários e o fundo estocástico de ondas gravitacionais (GWB). No entanto, os métodos existentes de cronometragem de pulsares de rádio, que dependem de aproximações gaussianas das incertezas no tempo de chegada (ToA), não são diretamente aplicáveis a dados de raios gama. Os dados de raios gama consistem em tempos de chegada discretos de fótons, onde a associação de um fóton específico ao pulsar é probabilística e não certa. Além disso, o perfil do pulso é frequentemente multi-pico e amplo, o que significa que a função de verossimilhança para a fase rotacional de um único fóton é não gaussiana e multimodal. Métodos anteriores não agrupados (por exemplo, Pletsch & Clark 2015; Nieder et al. 2019) que otimizam verossimilhanças de Poisson enfrentam ineficiências ao ajustar modelos de cronometragem de alta dimensão com componentes de ruído estocástico, frequentemente sofrendo do problema do "Funil de Neal" ou exigindo modelos de perfil de pulso fixos que ignoram incertezas de forma.

Metodologia
Os autores apresentam um novo método que transforma o problema de cronometragem de raios gama em um problema de mínimos quadrados ponderados solucionável via amostragem de Gibbs. A inovação central envolve a introdução de variáveis latentes para atribuir cada fóton a um componente específico de um perfil de pulso de modelo de mistura.

1. Formulação de Variável Latente: Os autores introduzem dois vetores, $z$ e $m$, para cada fóton. $z$ atribui um fóton a um dos $K$ picos gaussianos no perfil de pulso do modelo, à emissão do pulsar não pulsado ou ao fundo. $m$ atribui o fóton a uma rotação inteira específica (wrap) relativa ao modelo de cronometragem inicial.
2. Verossimilhança Condicional: Ao fixar essas atribuições latentes, a complexa verossimilhança do modelo de mistura reduz-se a um produto de distribuições gaussianas simples. Isso permite que os parâmetros do modelo de cronometragem ($\theta$) e os hiperparâmetros de ruído ($\lambda$) sejam tratados dentro de uma estrutura de processo gaussiano, permitindo a marginalização analítica.
3. Esquema de Amostragem de Gibbs: O método amostra iterativamente a partir de distribuições condicionais:
   • Modelo e Variáveis Latentes: Dados os parâmetros de cronometragem atuais, o modelo do perfil de pulso ($\tau$) é amostrado via Metropolis-Hastings (MH). Subsequentemente, as atribuições de fótons ($z$) e os wraps de rotação ($m$) são extraídos com base no modelo atual e no modelo de cronometragem.
   • Parâmetros de Cronometragem e Ruído: Dados o modelo fixo e as atribuições, o problema torna-se um ajuste padrão de processo gaussiano. Os autores amostram os hiperparâmetros de ruído ($\lambda$) via MH visando a verossimilhança marginal e, em seguida, amostram os parâmetros do modelo de cronometragem ($\theta$) a partir da posterior multivariada gaussiana resultante.
4. Variações do Período Orbital (OPVs): Para abordar o desafio específico das OPVs em binárias de aranha (viúvas-negras e costas-ruivas), os autores modelam essas variações como um processo gaussiano usando uma expansão de Fourier de baixo rank (o modelo "ORBWAVES" no PINT). Isso trata as OPVs de forma semelhante ao ruído de cronometragem, permitindo que sejam ajustadas simultaneamente com outros processos estocásticos sem as fortes correlações de parâmetros encontradas em expansões de séries de Taylor.

Principais Contribuições

• Novo Algoritmo: Desenvolvimento de uma estrutura de amostragem de Gibbs que lida eficientemente com a verossimilhança não gaussiana e de modelo de mistura dos dados de raios gama, enquanto marginaliza sobre formas incertas do perfil de pulso.
• Implementação: O método é implementado em um pacote Python chamado shoogle, que se interfaceia com o pacote de cronometragem de pulsares PINT.
• Modelagem de OPV: Um modelo específico baseado em processo gaussiano para variações do período orbital que evita as armadilhas de expansões de Taylor de alta dimensão e permite um ajuste robusto de evolução orbital complexa e estocástica.
• Ajuste Conjunto de Ruído: A capacidade de ajustar simultaneamente ruído de cronometragem, variações do período orbital e sinais de GWB em uma única estrutura estatística coerente.

Resultados

• Validação em Sistemas Simples: Aplicado ao PSR J1526−2744, o método de amostragem de Gibbs produziu distribuições posteriores indistinguíveis daquelas obtidas usando a amostragem posterior completa baseada em emcee, confirmando a precisão do método na recuperação da posterior completa.
• Simulações de Ruído de Cronometragem: Os autores simularam 200 pulsares com ruído de cronometragem de lei de potência injetado. Gráficos Probabilidade-Probabilidade (PP) demonstraram que o método fornece estimativas não tendenciosas da amplitude de TN e do índice espectral, com incertezas que cobrem corretamente os valores injetados.
• Aplicação ao PSR B1957+20: O método foi aplicado à binária viúva-negra PSR B1957+20, um sistema conhecido por variações significativas do período orbital.
  • A análise modelou com sucesso as OPVs como um processo gaussiano de espectro íngreme.
  • Derivou um limite superior de 95% de confiança para a amplitude do GWB de $A_{GWB} < 4.6 \times 10^{-14}$, consistente com limites anteriores, mas obtido enquanto marginalizava simultaneamente sobre o perfil de pulso e ajustava as OPVs.
  • A amplitude fracional das variações do período orbital foi encontrada ser $\sim 10^{-7}$, consistente com resultados anteriores de cronometragem de rádio.

Significância
O artigo afirma que este método permite uma estimativa eficiente e robusta dos parâmetros de modelos de cronometragem e ruído para pulsares de raios gama, uma capacidade anteriormente limitada pela ineficiência computacional dos métodos não agrupados existentes ou pelas imprecisões das abordagens de ToA agrupados. Ao levar em conta incertezas na forma do perfil de pulso e permitir o ajuste simultâneo de processos estocásticos complexos (como OPVs e GWB), o método melhora a confiabilidade das análises de redes de cronometragem de raios gama (GPTA). Os autores observam que esta abordagem permite a inclusão de binárias de aranha (frequentemente excluídas de PTAs de rádio devido a eclipses) e facilita futuras campanhas conjuntas de cronometragem rádio-raios gama, potencialmente quebrando degenerescências entre variações da medida de dispersão e sinais de GWB. O método é apresentado como um passo fundamental para analisar a população crescente de pulsares de raios gama e melhorar as restrições sobre o fundo estocástico de ondas gravitacionais.