NOMAI : A real-time photometric classifier for superluminous supernovae identification. A science module for the Fink broker

O artigo apresenta o NOMAI, um classificador de aprendizado de máquina em tempo real integrado ao broker Fink que utiliza curvas de luz fotométricas do ZTF para identificar eficientemente candidatos a supernovas superluminosas, demonstrando alta eficácia na recuperação desses eventos raros e preparando-se para futuras operações com o Observatório Vera C. Rubin.

O essencial

Imagine que o universo é como um oceano vasto e escuro, e as estrelas são como faróis que, de repente, explodem em luzes cegantes. A maioria dessas explosões (supernovas) é comum, mas existe um grupo muito especial e raro: as Supernovas Superluminosas (SLSNe). Elas são tão brilhantes que podem ser vistas a distâncias incríveis, como se fossem "superfaróis" cósmicos. O problema é que elas são tão raras e o oceano de dados é tão grande que encontrá-las manualmente é como tentar achar uma agulha em um palheiro... que é, na verdade, um palheiro do tamanho de um planeta inteiro.

É aqui que entra o NOMAI, o herói desta história.

O que é o NOMAI?

Pense no NOMAI como um detetive robótico superinteligente que trabalha 24 horas por dia. Ele foi criado por astrônomos para vigiar o fluxo contínuo de alertas do telescópio ZTF (uma câmera gigante que tira fotos do céu todas as noites).

O trabalho do NOMAI é simples, mas difícil: ele olha para milhares de "piscadinhas" no céu e decide, em tempo real, quais delas podem ser essas raras supernovas superluminosas.

Como ele funciona? (A Analogia do Detetive)

1. O Filtro de Segurança (A Triagem):
   Imagine que o telescópio envia 250.000 alertas por noite. A maioria é apenas lixo: estrelas que piscam por erro, satélites passando ou poeira cósmica. O NOMAI primeiro usa um "peneira" muito eficiente para jogar fora 99% desse lixo. Ele só deixa passar o que parece ser uma explosão real.

2. A Observação (O Tempo de Espera):
   O NOMAI não é impaciente. Ele sabe que para entender a história de uma supernova, precisa ver como ela brilha ao longo do tempo. Ele espera coletar dados de pelo menos 30 dias. É como se ele estivesse assistindo a um filme de 30 minutos para entender o enredo, em vez de julgar o filme apenas pelo primeiro segundo.

3. A Análise (O Roteiro da Explosão):
   Uma vez que ele tem os dados, o NOMAI não olha apenas para o brilho. Ele usa "lentes mágicas" (chamadas de modelos matemáticos, como o Rainbow e o SALT2) para desenhar a curva de luz da explosão.

   • Ele pergunta: "Quão rápido ela subiu?"
   • "Quão rápido ela caiu?"
   • "Qual era a temperatura?"
     É como se ele lesse a "impressão digital" da explosão. As supernovas superluminosas têm uma "assinatura" única, diferente das explosões comuns.

4. A Decisão (O Veredito):
   Com base nessas "impressões digitais", o NOMAI usa um cérebro de inteligência artificial (um algoritmo chamado XGBoost) para dar uma nota. Se a nota for alta, ele grita: "Ei, olhe para isso! Pode ser uma Superluminosa!".

O Grande Sucesso

O NOMAI não é apenas um experimento de laboratório; ele está trabalhando de verdade desde dezembro de 2025.

• A Prova de Fogo: Em apenas dois meses de trabalho, o NOMAI conseguiu encontrar 22 das 24 supernovas superluminosas que já eram conhecidas e listadas em um banco de dados global (o TNS). Isso é como um caçador de tesouros que encontra quase todos os tesouros escondidos em uma ilha, mesmo sem um mapa completo.
• A Eficiência: Ele consegue identificar cerca de 2 em cada 3 dessas explosões raras, apenas olhando para a luz, sem precisar de equipamentos caros de espectroscopia (que analisam a composição química da luz) imediatamente.

Por que isso é importante?

Antes do NOMAI, os astrônomos precisavam vasculhar manualmente montanhas de dados, o que era lento e cansativo. Com o NOMAI, eles recebem uma lista diária de "candidatos promissores" diretamente no seu celular ou computador (via um bot no Slack, como se fosse uma notificação de WhatsApp do universo).

Isso permite que os cientistas corram para os telescópios maiores para estudar essas explosões enquanto elas ainda estão brilhando, como tentar tirar uma foto de um foguete logo após o lançamento, antes que ele desapareça.

O Futuro

O NOMAI está apenas começando. Em breve, ele será adaptado para trabalhar com o Observatório Vera C. Rubin, um telescópio ainda mais poderoso que vai descobrir milhões de novos eventos cósmicos. Sem um "detetive" como o NOMAI, seria impossível processar tanta informação. Ele é a chave para desvendar os segredos das explosões mais brilhantes do universo, ajudando-nos a entender como as estrelas nascem, vivem e morrem de forma espetacular.

Em resumo: O NOMAI é o guarda-costas do céu noturno, que usa inteligência artificial para encontrar as estrelas mais brilhantes e raras do universo, garantindo que nunca mais deixemos escapar uma dessas maravilhas cósmicas.

Resumo técnico

Resumo Técnico: NOMAI – Um Classificador Fotométrico em Tempo Real para Superluminosas (SLSNe)

1. O Problema

As Supernovas Superluminosas (SLSNe) são explosões estelares extremamente raras e energéticas, com picos de luminosidade 10 a 100 vezes superiores às supernovas padrão. Apesar de sua importância como sondas do universo de alto redshift e de seus mecanismos físicos ainda serem debatidos (como desaceleração de magnetars, interação com matéria circumestelar ou explosões de instabilidade de pares), a identificação eficiente desses eventos é um desafio crítico.
Com a chegada de levantamentos de tempo real de grande escala, como o Zwicky Transient Facility (ZTF) e, futuramente, o Legacy Survey of Space and Time (LSST) do Observatório Vera C. Rubin, o volume de alertas de transientes tornou-se massivo (centenas de milhares a milhões por noite). O método tradicional de acompanhamento espectroscópico para cada candidato tornou-se inviável. É necessário um sistema automatizado capaz de filtrar o fluxo de dados em tempo real, identificando candidatos a SLSNe com base apenas em dados fotométricos, sem depender de redshift espectroscópico, para priorizar o acompanhamento observacional.

2. Metodologia

O artigo apresenta o NOMAI, um classificador de aprendizado de máquina integrado ao broker de alertas Fink. A metodologia segue as seguintes etapas:

• Pré-processamento e Filtragem:

  • O fluxo de dados do ZTF é submetido a um filtro rigoroso (transient_complete) que remove 99% dos alertas não transitórios (como estrelas variáveis, objetos do sistema solar e artefatos), reduzindo o fluxo para algumas centenas de eventos por noite.
  • São aplicados cortes de qualidade: exigência de pelo menos 30 dias de história fotométrica e mais de 7 observações (com pelo menos 3 em cada filtro g e r). Isso garante que a evolução da curva de luz seja suficientemente amostrada, embora possa atrasar a detecção de eventos muito rápidos.

• Construção do Conjunto de Dados de Treinamento:

  • O conjunto de dados é construído a partir de fontes rotuladas no Fritz (uma plataforma de gestão de alvos), TNS (Transient Name Server) e artigos científicos.
  • Para simular o ambiente de tempo real, curvas de luz completas são decompostas em "pseudo-alertas" (subconjuntos truncados da curva de luz), representando diferentes estágios evolutivos do evento.
  • O conjunto final contém 5.280 fontes únicas, das quais 225 são SLSNe espectroscopicamente classificadas. Devido ao desequilíbrio de classes (SLSNe representam ~4% das fontes), o conjunto foi reamostrado para gerar pseudo-alertas, elevando a proporção de SLSNe para ~12% no conjunto de treinamento expandido.

• Extração de Recursos (Features):

  • Em vez de usar redes neurais profundas diretamente nas curvas de luz irregulares, o NOMAI extrai 27 recursos físicos e estatísticos por alerta.
  • Ajuste de Modelos Físicos:
    • Rainbow: Um framework baseado em corpo negro que ajusta simultaneamente o fluxo e a temperatura ao longo do tempo, utilizando funções Bazin (para fluxo) e sigmoidal decrescente (para temperatura).
    • SALT2: Um modelo empírico ajustado especificamente para Supernovas Tipo Ia, fornecendo parâmetros como estiramento ($x_1$) e cor ($c$).
  • Recursos Estatísticos: Incluem amplitude de fluxo, inclinação máxima, assimetria (skewness), percentis de épocas de observação e distância angular ao objeto mais próximo.
  • Parâmetros de redshift fotométrico (do SDSS) são usados para calcular magnitudes absolutas e refinar a probabilidade final.

• Classificador:

  • Foi utilizado o algoritmo XGBoost (Gradient Boosting).
  • Para lidar com o desequilíbrio de classes, os rótulos foram ponderados inversamente à sua frequência.
  • A otimização de hiperparâmetros foi realizada via busca em grade aleatória, maximizando o escore F1.
  • Um critério físico adicional foi aplicado: se a magnitude absoluta superior estimada for menor que -19.75 mag, a probabilidade de ser SLSN é zerada.

3. Principais Contribuições

1. Integração em Tempo Real no Fink: O NOMAI opera como um "módulo de ciência" dentro do broker Fink, processando o fluxo de alertas do ZTF continuamente e publicando candidatos diariamente.
2. Independência de Redshift Espectroscópico: O classificador identifica candidatos robustamente apenas com base na fotometria e em redshifts fotométricos, eliminando a dependência de dados espectroscópicos que muitas vezes não estão disponíveis no momento da detecção.
3. Interface de Usuário Acessível: Implementação de um bot no Slack que reporta automaticamente os candidatos a SLSNe com informações contextuais (curvas de luz, magnitudes, links para TNS/Fritz), facilitando a triagem rápida por especialistas.
4. Adaptabilidade Futura: A arquitetura foi projetada para ser facilmente adaptada ao fluxo de dados do LSST (Rubin Observatory), que gerará volumes de dados ainda maiores.

4. Resultados

• Desempenho no Conjunto de Treinamento:
  • Completude (Recall): 66% (capacidade de encontrar SLSNe reais).
  • Pureza (Precisão): 58% (proporção de alertas classificados como SLSN que são realmente SLSNe).
  • O classificador consegue identificar 2 de cada 3 SLSNe usando apenas curvas de luz.
• Desempenho em Tempo Real (Operação de 2 meses):
  • O sistema operou continuamente de 18/12/2025 a 18/02/2026.
  • Identificou 22 das 24 SLSNe ativas reportadas no TNS durante esse período, sugerindo uma completude de até 92% (considerando um limite superior, pois SLSNe não rotulados podem ter sido perdidos).
  • Dos 83 candidatos reportados, 39 foram confirmados como positivos (incluindo 22 no TNS), enquanto 32 foram falsos positivos (principalmente AGNs e problemas de fotometria).
• Análise de Erros: Os falsos positivos são majoritariamente AGNs (variabilidade estocástica) e Supernovas Tipo IIn (que podem mimetizar a evolução lenta das SLSNe-II).

5. Significado e Conclusão

O NOMAI demonstra ser uma ferramenta valiosa e eficaz para a astronomia de tempo real. Sua alta completude em operações reais permite que os astrônomos priorizem o acompanhamento espectroscópico de eventos promissores antes que eles atinjam o pico de brilho ou se tornem muito fracos.
Embora existam limitações, como a necessidade de 30 dias de dados (o que pode atrasar a detecção de eventos rápidos) e a falta de informações diretas sobre a galáxia hospedeira, o sistema já provou sua utilidade ao identificar candidatos que posteriormente foram confirmados.
A preparação do NOMAI para o futuro LSST é crucial, pois a escala de dados do Vera C. Rubin exigirá pipelines automatizados de classificação fotométrica para explorar cientificamente a população de supernovas superluminosas, que será descoberta em números sem precedentes. O trabalho estabelece um padrão para a integração de modelos de aprendizado de máquina físicos e interpretáveis em infraestruturas de brokers de alertas astronômicos.