A $Z_1^2$ framework for rotational-parameter estimation and uncertainty quantification in high-energy pulsars

Resumo Técnico: Um Framework $Z^2_1$ para Estimativa de Parâmetros Rotacionais e Quantificação de Incerteza em Pulsares de Alta Energia

Declaração do Problema
O cronometramento de pulsares de alta energia frequentemente depende de tempos de chegada de fótons esparsos registrados por instrumentos como AstroSat/LAXPC, Fermi-LAT e NICER. Diferentemente do cronometramento de rádio, onde perfis de pulso estáveis permitem a medição de Tempos de Chegada (TOAs) com incertezas Gaussianas, dados de alta energia frequentemente exigem análise direta de listas de eventos limitados por Poisson. Neste regime, as flutuações estatísticas são Poissonianas, e TOAs confiáveis não podem ser formados sobre intervalos curtos.

Um desafio crítico neste domínio é a estimativa de incertezas para parâmetros rotacionais recuperados — especificamente a frequência de rotação ($f$) e sua primeira derivada ($\dot{f}$). Os autores argumentam que a largura de um pico de detecção na estatística $Z^2_1$ (uma medida de periodicidade) não é, por si só, a incerteza estatística dos parâmetros recuperados. A largura do pico é determinada principalmente pela duração da observação ($T$), enquanto o espalhamento estatístico do máximo recuperado depende da força do sinal coerente e da geometria local da superfície de busca. Além disso, $f$ e $\dot{f}$ são frequentemente correlacionados, e a incerteza atribuída a $f$ depende fortemente da época de referência escolhida (por exemplo, início da observação versus ponto médio). Métodos existentes, como ajuste de perfis analíticos ou citação da Largura Total a Meia Altura (FWHM), descrevem a morfologia de uma única superfície de busca, mas não fornecem automaticamente a variância de amostragem sob realizações Poissonianas repetidas. Embora simulações de Monte Carlo forneçam um benchmark frequentista rigoroso, seu custo computacional as torna impraticáveis como estimador padrão para cada observação.

Metodologia
O artigo desenvolve e compara três estimadores computacionalmente eficientes para $f$ e $\dot{f}$ baseados na estatística $Z^2_1$ do harmônico fundamental. O framework assume buscas direcionadas onde a posição da fonte é conhecida, os eventos são corrigidos para o baricentro e a evolução rotacional é estável sobre o intervalo analisado.

1. Regressão de Frequência Segmentada (Método I):

   • A observação é dividida em intervalos não sobrepostos ($t_{int}$).
   • Um pico local $Z^2_1(f)$ é ajustado em cada intervalo para recuperar uma frequência local $f_{r,i}$ e sua incerteza $\sigma_{f,i}$ (derivada da amplitude e largura do pico).
   • Uma regressão linear ponderada de $f_{r,i}$ versus tempo produz a derivada de frequência $\dot{f}_r$.
   • Prós: Lida naturalmente com lacunas de dados (Intervalos de Bom Tempo) e é computacionalmente barato.
   • Contras: Sacrifica potência de sinal coerente ao analisar segmentos curtos; o desempenho depende do compromisso entre estatísticas de fótons (segmentos curtos) e deriva de fase intra-segmento (segmentos longos).

2. Varredura Coerente de Derivada (Método II):

   • A observação completa é mantida coerente. O método varre sobre valores de teste de $\dot{f}$ ($\dot{f}_{trial}$).
   • Para cada teste, uma curva 1D $Z^2_1(f)$ é computada, e a amplitude de pico $A_{pk}$ é registrada.
   • O envelope de amplitude $A_{pk}(\dot{f}_{trial})$ é ajustado com um perfil sinc$^2$ para encontrar o $\dot{f}_r$ ótimo.
   • Prós: Utiliza toda a potência coerente dos dados; fornece um diagnóstico da covariância entre $f$ e $\dot{f}$ via deslocamento na frequência de pico.
   • Contras: Requer que a observação seja longa o suficiente para que derivadas incorretas causem perda de potência mensurável.

3. Ajuste Coerente Bidimensional Localizado (Método III):

   • Uma grade 2D localizada de $(f, \dot{f})$ é avaliada.
   • Crucialmente, os autores transformam as coordenadas para a frequência do ponto médio ($f_{mid} = f + \frac{1}{2}\dot{f}T$). A derivação analítica mostra que esta transformação remove a covariância de ordem dominante entre frequência e derivada de frequência.
   • O pico 2D local é ajustado com um modelo sinc$^2$ separável: $Z^2_1 \approx A \cdot \text{sinc}^2(\frac{f_{mid}-f_{mid,r}}{W_f}) \cdot \text{sinc}^2(\frac{\dot{f}-\dot{f}_r}{W_A})$.
   • As incertezas são estimadas diretamente da amplitude de pico ajustada ($A$) e das larguras ($W_f, W_A$) usando as relações $\sigma \propto W/\sqrt{A}$.

Contribuições Principais e Validação

• Derivação Analítica: Os autores derivam a forma local da resposta $Z^2_1(f, \dot{f})$ para sinais sinusoidais. Eles demonstram que expressar a frequência no ponto médio da observação desacopla os parâmetros, permitindo estimativas de incerteza simples e de forma fechada sem simulações exaustivas.
• Calibração por Monte Carlo: As prescrições de incerteza são validadas contra 300 realizações Poissonianas independentes através de várias durações de observação, forças de sinal, resoluções de grade e estruturas de lacunas.
  • Os resultados confirmam que as incertezas previstas (baseadas na largura e amplitude do pico ajustado) reproduzem o espalhamento de execução para execução dos parâmetros recuperados.
  • O framework é mostrado como robusto a lacunas observacionais, desde que o pico local permaneça identificável.
  • A parametrização de frequência do ponto médio é mostrada como reduzindo o espalhamento da estimativa de frequência por um fator de $\sim 4$ comparado à frequência da época inicial para durações típicas de observação.
• Aplicação a Dados Reais: O framework é aplicado a listas de eventos AstroSat/LAXPC para o pulsar do Caranguejo, Swift J0243.6+6124 e SAX J1808.4–3658. Os métodos produzem resultados consistentes, com o Método III fornecendo as restrições conjuntas mais apertadas. Os parâmetros recuperados dobram com sucesso as listas de eventos em perfis de pulso coerentes.

Significância e Alegações
O artigo alega fornecer uma "rota prática e estatisticamente motivada" para a estimativa de parâmetros rotacionais para buscas direcionadas de pulsares de alta energia. Sua significância primária reside em desacoplar a morfologia de um pico de detecção da incerteza estatística dos parâmetros recuperados.

Os autores enfatizam que:

1. Largura do pico $\neq$ Incerteza: A largura do pico $Z^2_1$ é uma escala de perda de coerência de fase, não um intervalo de confiança. A incerteza deve estar vinculada à força de pico medida (amplitude) e à geometria local.
2. Época de Referência Importa: A escolha da época de referência (início versus ponto médio) impacta significativamente a covariância e a incerteza da frequência. A formulação do ponto médio é recomendada para estimativa conjunta.
3. Eficiência: O framework proposto permite a quantificação de incerteza sem o custo computacional de executar simulações de Monte Carlo para cada observação, desde que a estrutura local do pico seja bem amostrada.

O trabalho é modestamente enquadrado como uma ferramenta para buscas direcionadas com evolução de rotação estável, em vez de uma solução totalmente automática para levantamentos cegos de todo o céu ou fontes com forte ruído de cronometragem, glitches ou resíduos orbitais complexos. Os autores sugerem que, embora o método evite a necessidade de calibração de Monte Carlo por observação, simulações correspondentes à fonte permaneçam úteis para validação em casos complexos. O framework destina-se a ser integrado em pipelines de análise de cronometragem reutilizáveis.