A Hybrid Framework for Kilonova Anomaly Detection using Single-Epoch SEDs from the 7-Dimensional Telescope

Título: Um Framework Híbrido para Detecção de Anomalias de Quilonovas usando SEDs de Época Única do Telescópio 7-Dimensional

1. O Problema

A astronomia de domínio temporal está entrando em uma era de grandes volumes de dados, impulsionada pelo Observatório Vera C. Rubin (LSST), que gerará até $10^7$ alertas por noite. O desafio crítico é identificar rapidamente eventos raros e cientificamente valiosos, como Quilonovas (KNe) — contrapartidas eletromagnéticas de fusões de estrelas de nêutrons binárias — dentro desse fluxo massivo de dados.

As dificuldades principais incluem:

• Contaminação: A vasta maioria dos candidatos são "impostores" comuns (Supernovas, Núcleos Galácticos Ativos, Variáveis Estelares, Asteroides).
• Limitações da Espectroscopia: A classificação espectral tradicional é lenta e requer alto sinal-ruído (SNR), sendo impraticável para fontes fracas ou de evolução rápida em tempo real.
• Limitações da Fotometria de Múltiplas Épocas: Métodos baseados em curvas de luz exigem monitoramento temporal, o que introduz latência crítica na fase inicial de detecção. Além disso, impostores como Variáveis Azuis Luminosas (LBVs) podem mimetizar o comportamento de KNe por vários dias.
• Escassez de Dados: Apenas uma quilonova (AT 2017gfo) foi confirmada espectroscopicamente, tornando o treinamento supervisionado direto para KNe propenso a overfitting e viés.

2. Metodologia

Os autores desenvolveram um framework de classificação híbrido otimizado para o Telescópio 7-Dimensional (7DT), um sistema modular de 20 telescópios de 0,5m no Chile capaz de obter coberturas de banda média simultâneas (SEDs de época única).

• Dados e Simulação:

  • Utilizou-se o 7DT-Simulator para gerar fotometria sintética realista, considerando a resposta do sistema, eficiência óptica, transmissão atmosférica e ruído de fundo.
  • O conjunto de treinamento incluiu espectros observacionais de oito classes de transientes não-KN (Ia, Ibc, II, SLSN, TDE, AGN, Variáveis Estelares e Asteroides) e espectros simulados de KNe baseados no modelo de transferência radiativa de Wollaeger et al. (2021).
  • A classe de KNe foi tratada como uma anomalia (dados fora da distribuição), sem ser incluída no treinamento do classificador supervisionado.

• Arquitetura do Modelo Híbrido:

  1. Classificador Supervisionado (Multi-classe): Utiliza o algoritmo XGBoost para classificar os transientes comuns em 8 categorias. As entradas são índices de cor (diferenças de magnitude entre filtros) derivados das SEDs de banda média.
  2. Detector de Anomalias (Não Supervisionado): Utiliza o algoritmo Isolation Forest (iForest) treinado exclusivamente nos dados "normais" (não-KN). O objetivo é identificar KNe como outliers que se desviam da distribuição aprendida dos transientes comuns.
  3. Decisão Combinada: Um evento é classificado como candidato a KN se satisfizer simultaneamente dois critérios:
     • Alta incerteza de classificação do XGBoost (baixa probabilidade máxima, $1 - P_{max}$).
     • Alta pontuação de anomalia do iForest ($P_{ano}$).
     • Os limiares ótimos foram determinados usando a estatística $J$ de Youden.

• Análise de Importância: Foi utilizada a técnica SHAP (Shapley Additive exPlanations) para identificar quais filtros de banda média são mais informativos para a classificação.

3. Contribuições Chave

• Framework Híbrido para KNe: Propõe uma abordagem inovadora que combina classificação supervisionada de fundo com detecção de anomalias para identificar KNe sem necessidade de treinamento supervisionado direto com exemplos de KNe.
• Eficiência de Época Única: Demonstra que SEDs de banda média de baixa resolução ($R \sim 30-70$) obtidas em uma única época são suficientes para separar KNe de outras populações de transientes, eliminando a latência de curvas de luz.
• Otimização de Filtros: Identifica que apenas 40-50% dos filtros mais informativos (principalmente na região azul e em torno de linhas como H$\alpha$ e Si II) são suficientes para manter o desempenho do modelo, permitindo estratégias observacionais mais eficientes.
• Sinergia LSST-7DT: Avalia a combinação de dados do 7DT com as bandas largas do LSST, mostrando ganhos marginais, mas validando a viabilidade de operações híbridas.

4. Resultados Principais

• Desempenho de Classificação:
  • O classificador XGBoost alcançou um F1 macro $\sim 0,80$ (20 filtros) e $\sim 0,82$ (40 filtros) para as 8 classes comuns.
  • A classe de Supernovas Tipo Ia foi a melhor classificada (F1 $\sim 0,90$ com 40 filtros), enquanto SLSNe e Variáveis Estelares apresentaram maior confusão mútua.
• Detecção de Quilonovas:
  • O framework híbrido recuperou >90% das KNe simuladas e observadas (incluindo AT 2017gfo) com uma fração de contaminação (FPR) de apenas ~10%.
  • O uso combinado de XGBoost e iForest reduziu drasticamente os falsos positivos em comparação ao uso isolado do detector de anomalias (que teria ~50% de FPR).
• Análise de Filtros (SHAP):
  • Filtros na extremidade vermelha (>725 nm) contribuíram pouco devido à menor sensibilidade instrumental e dispersão fotométrica.
  • A combinação de metade dos filtros de melhor classificação do 7DT (20 filtros) com uma única banda larga do LSST reproduziu a precisão do modelo completo (40 filtros) com uma perda de apenas 1-2%.
• Validação Observacional:
  • O modelo foi testado com dados reais do 7DT (SN 2025fvw, SN 2024diq, AT 2024ett). Todos os transientes comuns foram corretamente identificados como "não anômalos", embora houvesse alguma confusão nas classes específicas (ex: CV classificada como Ia), o que não afetou a detecção de anomalias.
  • A AT 2017gfo foi corretamente flagrada como anômala na maioria das épocas, exceto no espectro mais precoce (+1,43 dias), que foi confundido com um asteroide devido à sua aparência contínua e sem linhas (semelhante ao espectro solar).

5. Significado e Implicações

• Viabilidade para o LSST e GW: O framework oferece uma solução escalável e rápida para triagem de alertas, crucial para a busca de contrapartidas eletromagnéticas de ondas gravitacionais (GW) em tempo real.
• Interpretabilidade Física: A análise SHAP confirma que o modelo aprendeu características físicas reais (como a presença de linhas de absorção Si II em Ia ou H$\alpha$ em II), validando a abordagem baseada em aprendizado de máquina.
• Limitações e Futuro: O desempenho é otimizado para baixos redshifts ($z < 0,15$) devido ao viés nos dados de treinamento. A detecção de KNe muito fracas ou em estágios muito precoces (<1 dia) ainda apresenta desafios devido à semelhança com espectros de asteroides ou supernovas de colapso do núcleo.
• Estratégia Observacional: Os resultados sugerem que o 7DT pode operar com um subconjunto reduzido de filtros durante buscas de resposta rápida, economizando tempo de observação sem sacrificar significativamente a capacidade de detecção.

Em suma, o estudo demonstra que a combinação de um sistema de telescópios multi-apertura (7DT) com um framework de IA híbrido é uma ferramenta poderosa e promissora para a descoberta de transientes raros na próxima geração de levantamentos astronômicos.