Optimizing Optical Searches for Supermassive Black Hole Binaries in AGN Light Curves: Fourier versus Bayesian Periodicity Detection

Resumo Técnico: Otimização de Buscas Ópticas para Binárias de Buracos Negros Supermassivos em Curvas de Luz de AGN

Definição do Problema
A detecção de Binárias de Buracos Negros Supermassivos (SMBHBs) via observações eletromagnéticas (EM) depende da identificação de variações periódicas de brilho em curvas de luz de Núcleos Galácticos Ativos (AGN). Hipotetiza-se que essas variações surjam do efeito Doppler relativístico (RDB) e das interações entre discos circumbinários e mini-discos. No entanto, a variabilidade intrínseca de AGN, modelada como um Passeio Aleatório Amortecido (DRW), cria um fundo estocástico de "ruído vermelho" que mimetiza a periodicidade. Este desafio é exacerbado pela amostragem esparsa e bases temporais de observação curtas nos levantamentos atuais e futuros (CRTS, ZTF e o futuro Legacy Survey of Space and Time [LSST]). A principal dificuldade reside em distinguir sinais binários genuínos de flutuações puramente de DRW, minimizando as Taxas de Falsos Positivos (FPR) sem sacrificar as Taxas de Verdadeiros Positivos (TPR).

Metodologia
Os autores simulam uma população de curvas de luz de AGN que representam as propriedades observacionais do CRTS, ZTF e LSST. As simulações combinam um processo DRW (para modelar a variabilidade estocástica) com um sinal senoidal injetado (para modelar o movimento orbital de SMBHB). O estudo avalia três métodos distintos de detecção de periodicidade:

1. Amostrador Bayesiano Aninhado (NBS): Utiliza o pacote Ultranest para realizar a seleção de modelo Bayesiano entre um modelo DRW puro e um modelo combinado DRW+Senoide. A preferência do modelo é determinada pelo Critério de Informação Bayesiano ($\Delta$BIC).
2. Periodograma de Lomb-Scargle Generalizado (GLSP): Implementado via PyAstronomy, este método baseado em Fourier detecta periodicidade em dados com amostragem irregular. A seleção de modelo baseia-se em cálculos de Probabilidade de Alarme Falso (FAP), incluindo variações Gaussianas ($FAP_{Gauss}$), bootstrap global ($FAP_{global}$) e bootstrap local ($FAP_{local}$).
3. Transformada Wavelet Ponderada (WWZ): Implementada via o pacote wwz, este método utiliza wavelets localizadas para detectar sinais periódicos evolutivos. A seleção de modelo utiliza várias definições de FAP ($FAP_{local-local}$, $FAP_{local-avg}$, $FAP_{avg-local}$) baseadas em simulações de bootstrap contra um fundo DRW.

Para lidar com a carga computacional do LSST (projetado em $\sim10^7$ curvas de luz), os autores propõem um "procedimento de banco de dados" para triagem rápida. Em vez de gerar distribuições de bootstrap únicas para cada candidato, eles pré-computam distribuições de periodograma para duas janelas representativas do levantamento LSST e as utilizam para estimar os FAPs de todos os candidatos.

Principais Resultados

• Desempenho dos Métodos: O NBS ($\Delta$BIC) é identificado como o classificador mais robusto, produzindo as amostras mais "completas" (alta Taxa de Verdadeiros Positivos Genuínos, TPR(P)) com mínimos falsos positivos. Entre os métodos de Fourier, o GLSP com FAP de bootstrap local ($FAP_{local}$) oferece o melhor equilíbrio entre completude e baixo FPR, enquanto o $FAP_{Gauss}$ é computacionalmente eficiente, mas menos preciso para ruído vermelho. O WWZ desempenha bem para períodos médios a longos, mas apresenta dificuldades com sinais de períodos curtos devido a artefatos de amostragem esparsa.
• Dependência de Parâmetros: O sucesso da detecção para todos os métodos é positivamente correlacionado com a amplitude senoidal injetada ($A_{in}$) e negativamente correlacionado com a amplitude de variabilidade do DRW ($\sigma_{in}$). Todos os métodos mostram sensibilidade reduzida à medida que o período injetado se aproxima da base temporal de observação ($T_{obs}$), embora o NBS possa detectar sinais com menos de dois ciclos completos.
• Seleção de Modelo Conjunta: A combinação da seleção de modelos NBS e GLSP reduz significamente os FPRs (em mais de uma ordem de magnitude) com um impacto marginal na TPR(P). Adicionar a seleção por WWZ reduz ainda mais o FPR, mas ao custo de uma TPR(P) significativamente menor.
• Triagem LSST: O classificador baseado em banco de dados $FAP_{Dlocal}$ permite uma triagem rápida de dados do LSST. Usando limiares rigorosos, este método alcança uma TPR de $\sim40\%$ e um FPR de $\sim0,5\%$ com custo computacional mínimo (processando $\sim10^7$ curvas de luz em $\sim10-30$ horas).
• Falsos Positivos: Curvas de luz apenas de DRW que passam por todos os critérios de seleção tendem a exibir variações estocásticas de alta amplitude que mimetizam a periodicidade. Esses falsos positivos "convincentes" frequentemente apresentam períodos e amplitudes baixos, sugerindo que a combinação de NBS e GLSP filtra esses casos de forma eficaz.

Significância e Alegações
O artigo afirma fornecer um pipeline robusto para o lado EM de um esforço de detecção conjunta de SMBHB via EM + Ondas Gravitacionais (GW). Suas principais contribuições são:

1. Validação de uma Estratégia de Busca em Camadas: Os autores recomendam um fluxo de trabalho onde grandes conjuntos de dados são primeiro triados usando métodos de Fourier eficientes (GLSP) para filtrar a massa de fontes não periódicas, seguidos por uma análise Bayesiana rigorosa (NBS) nos candidatos restantes.
2. Escalabilidade para o LSST: O procedimento de banco de dados proposto para o cálculo de FAP oferece um caminho computacionalmente viável para analisar o enorme volume de dados do LSST, permitindo a identificação de candidatos raros a SMBHB dentro de um tempo realista.
3. Contexto Multi-mensageiro: O estudo posiciona estes métodos de detecção EM como complementares às buscas de GW por Matrizes de Temporização de Pulsares (PTA). Ao identificar candidatos EM com alta confiança, o pipeline facilita o acompanhamento de GW direcionado e a estimativa conjunta de parâmetros, podendo restringir as massas de chirp e os parâmetros da fonte de forma mais precisa do que apenas pelos métodos GW ou EM isoladamente.

Os autores concluem que, embora nenhum método seja perfeito, a combinação da seleção de modelos NBS e GLSP oferece o compromisso ideal para identificar candidatos genuínos a SMBHB na era dos levantamentos fotométricos de grande escala.