HOLISMOKES XXI: Detecting strongly lensed type Ia supernovae from time series of multi-band LSST-like imaging data -- Part II

Resumo Técnico: HOLISMOKES XXI – Detecção de Supernovas Tipo Ia Fortemente Lenticulares a partir de Séries Temporais Multibanda

Declaração do Problema
Supernovas fortemente lenticulares (LSNe), particularmente as Tipo Ia, são sondas raras, mas críticas para a cosmologia, especificamente para a cosmografia de atraso temporal (TDC) visando medir a constante de Hubble ($H_0$) e restringir a energia escura. Levantamentos de domínio temporal futuros, como o Legacy Survey of Space and Time (LSST) do Observatório Vera C. Rubin, devem detectar centenas de LSNe. No entanto, o volume imenso de alertas ($\sim 10^7$ por noite) torna impossível a inspeção manual. A identificação precoce é essencial para permitir acompanhamento oportuno para modelagem de massa e estudos de progenitores. Métodos anteriores frequentemente dependem da resolução de múltiplas imagens ou da detecção de arcos de galáxias hospedeiras, o que é difícil para sistemas de pequena separação ou durante as fases iniciais de uma explosão. Além disso, distinguir LSNe de falsos positivos — como supernovas ocorrendo na própria galáxia lente em primeiro plano — é um desafio significativo.

Metodologia
Este trabalho estende a estrutura de aprendizado profundo introduzida em HOLISMOKES XVII (Bag et al. 2026) para detectar LSNe Ia diretamente a partir de recortes de imagem multibanda e multiepoca. A metodologia central emprega uma arquitetura de Memória de Curto e Longo Prazo Convolutiva (ConvLSTM) para capturar simultaneamente correlações espaciais e temporais em dados de imagem de séries temporais.

Avanços metodológicos-chave sobre o estudo anterior incluem:

1. Realismo Aprimorado nas Simulações: O conjunto de dados de treinamento foi atualizado da Public Data Release 2 (PDR2) para a PDR3 do Hyper Suprime-Cam (HSC), aumentando o tamanho da amostra em $\sim 50\%$.
2. Incorporação de Características de Lente: As simulações agora incluem arcos realistas de galáxias hospedeiras lenticuladas. Galáxias reais do Hubble Ultra Deep Field (HUDF) são usadas como galáxias hospedeiras, traçadas por raios através de modelos de lente para gerar arcos lenticulados no plano da imagem.
3. Condições Observacionais Dinâmicas: Diferentemente da abordagem estática anterior, este trabalho introduz variações de época para época na Função de Espalhamento de Ponto (PSF) e no ruído de Poisson. Um pipeline autoconsistente gera séries temporais a partir de observações de época única, variando a seeing e atualizando os mapas de variância para refletir o fluxo injetado e as condições de ruído em mudança.
4. Modelagem de Transientes Aprimorada: As curvas de luz são modeladas usando o template espectral SALT2 (substituindo o template Hsiao), incorporando variações intrínsecas em estiramento e cor.
5. Classes Negativas Desafiadoras: Uma nova classe negativa (Conjunto N2) foi introduzida, consistindo em supernovas Tipo Ia ocorrendo na própria galáxia lente em primeiro plano. Estes são falsos positivos motivados astrofisicamente que são difíceis de distinguir de LSNe genuínas, especialmente quando a fonte de fundo também é lenticulada. O conjunto de dados também inclui variáveis do HSC e SNe normais em LRGs e galáxias espirais.

O modelo processa recortes de imagem de 59 $\times$ 59 pixels ($\sim 10'' \times 10''$) nas bandas $g, r, i, z$. Utiliza uma arquitetura de dois ramos: um ramo ConvLSTM para sequências de imagem e um ramo LSTM para carimbos de tempo de observação, com características concatenadas para classificação final.

Resultados Chave
O modelo demonstra desempenho robusto sob estas condições mais realistas:

• Convergência Rápida: As curvas Característica Operacional do Receptor (ROC) melhoram rapidamente durante as primeiras observações. Pela 7ª observação ($N_{obs, m-b} = 7$), o modelo alcança uma Taxa de Verdadeiros Positivos (TPR) de $\sim 60\%$ a uma Taxa de Falsos Positivos (FPR) de $O(10^{-4})$. Pela 10ª observação, a TPR sobe para $\sim 80\%$ na mesma FPR.
• Robustez à Complexidade: Apesar da inclusão de PSFs variantes no tempo, ruído de Poisson e da desafiadora classe negativa "SN na lente", o desempenho permanece comparável ao estudo anterior, indicando a resiliência do método às complexidades observacionais.
• Análise de Falsos Positivos: As principais fontes de falsos positivos são SNe em lentes (Conjunto N2) e SNe em LRGs (Conjunto N3). Estas subclasses dominam o orçamento de FPR, particularmente em épocas iniciais. No entanto, o modelo suprime efetivamente esses contaminantes em limiares de pontuação conservadores (por exemplo, $P_{th} > 0.8$).
• Impacto de Arcos Hospedeiros e Deslocamentos: Sistemas com arcos de galáxia hospedeira detectáveis mostram desempenho inicial ligeiramente melhor devido a informações espaciais adicionais, mas esta vantagem diminui à medida que mais dados temporais se acumulam. Da mesma forma, o desempenho de classificação é largamente insensível ao deslocamento entre a SN e o centro de sua galáxia hospedeira, embora sistemas com deslocamentos menores ($< 0.4''$) mostrem uma melhoria marginal.
• Supernovas Irmãs: O modelo foi testado contra uma amostra de "SNe irmãs" (duas SNe na mesma galáxia). Embora uma pequena fração delas mime configurações lenticulares (particularmente aquelas com grandes ângulos projetados), a maioria é corretamente classificada como não lenticulada.

Significado e Alegações
Os autores afirmam que a abordagem de série temporal de imagem permanece robusta quando estendida para condições observacionais e configurações astrofísicas mais realistas. O estudo demonstra que:

1. Identificação Precoce é Viável: O modelo pode distinguir LSNe de outros transientes com alta confiança usando apenas um pequeno número de observações iniciais, o que é crítico para permitir acompanhamento antes do pico de brilho.
2. Realismo Não Degrada o Desempenho: A incorporação de PSFs dinâmicas, ruído realista e classes negativas difíceis não impede significativamente a capacidade do modelo de aprender as características necessárias.
3. Adequação para o LSST: A estrutura é bem adequada para buscas em tempo real no LSST e outros levantamentos de domínio temporal. Os autores observam que a cadência aprimorada do LSST em comparação com as simulações baseadas no HSC usadas aqui deve melhorar ainda mais as capacidades de identificação precoce.

O artigo conclui que, embora o estudo atual utilize dados do HSC como um proxy para o LSST, a metodologia está pronta para transição para produtos de dados do LSST e pode ser estendida para outros tipos de transientes (por exemplo, SNe de colapso do núcleo, TDEs) em trabalhos futuros.