KilonovaSCORER: Prior-Predictive Scoring of Kilonovae for Real-Time Multimessenger Follow-Up

Resumo Técnico: KilonovaSCORER

Título Original: KilonovaSCORER: Prior-Predictive Scoring of Kilonovae for Real-Time Multimessenger Follow-Up
Autores: P. Darc e C. D. Kilpatrick
Data do Draft: 28 de abril de 2026

---

1. O Problema (Contexto e Motivação)

Com o advento de observatórios de grande escala como o Vera C. Rubin (LSST), a astronomia de multimessageiros enfrentará um desafio de "agulha no palheiro". Quando um evento de ondas gravitacionais (GW) é detectado, surgem milhares de candidatos a transientes ópticos em sua região de localização.

O problema central é a identificação em tempo real de kilonovas (KNe) — contrapartes eletromagnéticas de fusões de estrelas de nêutrons — em meio a uma vasta população de contaminantes (como supernovas). O desafio é agravado por:

• Dados esparsos: No início do evento, as observações são poucas, de múltiplas bandas e com incertezas heterogêneas.
• Evolução rápida: Kilonovas evoluem muito rápido (dias), exigindo decisões imediatas para alocação de recursos de acompanhamento (espectroscopia).
• Limitações de métodos atuais: Inferências Bayesianas completas são computacionalmente caras e sensíveis a priors em regimes de poucos dados, enquanto classificadores de Machine Learning são otimizados para cadências de levantamento regulares, não para o regime de "alerta de oportunidade" (ToO) de ondas gravitacionais.

2. Metodologia (O Framework KilonovaSCORER)

O KilonovaSCORER é um framework estatístico baseado em simulações que utiliza o conceito de verificação preditiva de prior (Prior-Predictive Checking). Em vez de tentar inferir os parâmetros físicos de cada candidato, o sistema compara as observações diretamente com uma distribuição de modelos de kilonova pré-simulados.

Componentes Principais:

• Distribuição Preditiva de Prior (PPD): O sistema gera uma grade de $10^5$ curvas de luz de kilonova usando um modelo de dois componentes (azul e vermelho) com parâmetros variados (massa do ejeta, velocidade, opacidade, etc.). Isso cria um "mapa" do que é fisicamente plausível para uma kilonova.
• Métricas de Pontuação por Observação:
  1. $P_{tail,KNe}$: Mede a probabilidade de cauda (extrema). Avalia se a magnitude observada está em uma região de baixa probabilidade da PPD.
  2. $P_{near,KNe}$: Mede a consistência local usando uma "Região de Equivalência Prática" (ROPE). Avalia a densidade de modelos da PPD em torno da observação.
• Agregação Cumulativa: As pontuações de diferentes épocas e bandas são combinadas em um score cumulativo usando uma média ponderada pela variância inversa no espaço logit. Isso estabiliza a incerteza e permite atualizações sequenciais à medida que novos dados chegam.
• Diagnóstico ABC (Approximate Bayesian Computation): Um filtro de sobrevivência sequencial que rastreia a consistência temporal. Se a evolução da luz curva de um candidato (ex: um re-brilho inesperado) se tornar incompatível com qualquer modelo na grade de kilonovas, o diagnóstico ABC "colapsa" e o score é penalizado para zero, mesmo que observações isoladas pareçam plausíveis.

3. Principais Contribuições

• Abordagem Conservadora: Ao não condicionar o modelo aos dados observados (evitando o overfitting), o framework é robusto para o regime de dados escassos.
• Integração em Fluxo de Trabalho: O código foi projetado para integrar-se ao TROVE, uma infraestrutura de ponta para triagem de candidatos em tempo real.
• Robustez a Incertezas: O método propaga nativamente as incertezas fotométricas e a incerteza na distância de luminosidade derivada das ondas gravitacionais.

4. Resultados e Validação

O framework foi testado em quatro cenários:

1. AT 2017gfo (O padrão-ouro): O sistema atribuiu scores consistentemente altos e estáveis, confirmando sua eficácia em identificar kilonovas reais.
2. SN 2025ulz (O impostor): Uma supernova do tipo IIb que inicialmente parecia uma kilonova. O KilonovaSCORER deu um score moderado no início, mas o diagnóstico ABC detectou a inconsistência temporal (re-brilhamento) e derrubou o score para zero, provando sua capacidade de rejeitar falsos positivos.
3. Kilonovas de GRB: Validou a eficácia em diferentes geometrias de visualização e comprimentos de onda (incluindo infravermelho).
4. Simulações LSST (ToO): Em testes estatísticos, o framework conseguiu distinguir kilonovas de supernovas (Tipo Ia e colapso de núcleo) dentro de 3 a 4 dias após o gatilho de ondas gravitacionais. Enquanto os scores de supernovas caíram para zero, os de kilonovas permaneceram altos ($\gtrsim 0.4$).

5. Significância e Conclusão

O KilonovaSCORER representa um avanço para a astronomia de multimessageiros ao fornecer uma ferramenta de ranqueamento físico-informada. Ele não é um classificador binário (sim/não), mas um sistema de pontuação que permite que equipes de acompanhamento priorizem os candidatos mais promissores de forma objetiva e rápida. Sua capacidade de lidar com dados esparsos e sua integração com plataformas de alerta o tornam essencial para a era do Observatório Rubin/LSST e do Telescópio Roman.