Classification of blazars based on data-driven approaches

Resumo Técnico: Classificação de Blazares Baseada em Abordagens de Dados

Definição do Problema
Núcleos Ativos de Galáxias (AGNs), particularmente os blazares, exibem uma variabilidade distinta em suas curvas de luz ópticas. No entanto, a classificação robusta de blazares (composta por objetos BL Lac e Quasares de Espectro Rádio Plano, ou FSRQs) baseada exclusivamente em dados ópticos é desafiadora. Na banda óptica, a emissão de jato não térmica altamente variável, característica dos blazares, pode ser contaminada ou amortecida pela luz constante da galáxia hospedeira e pela emissão térmica moderadamente variável do disco de acreção e da Região de Linhas Largas (BLR). Consequentemente, os blazares podem se assemelhar a AGNs normais, tornando a variabilidade óptica isolada um classificador insuficiente sem confirmação em múltiplos comprimentos de onda. Embora os dados de raios gama ofereçam uma assinatura de jato mais limpa, eles são limitados às fontes mais brilhantes e requerem acompanhamento espectroscópico para uma classificação definitiva, o que demanda muitos recursos. Este trabalho aborda a necessidade de uma estratégia de classificação alternativa que dependa exclusivamente de curvas de luz ópticas para distinguir blazares de AGNs não-blazares.

Metodologia
O estudo utiliza dados de curvas de luz ópticas dos levantamentos Gaia DR3 (banda G, 2014–2017) e Pan-STARRS (curvas de luz compostas, 2010–2014). O conjunto de dados compreende:

• Fontes Conhecidas: Aproximadamente 2.500 blazares (do catálogo Roma-BZCAT) e um conjunto balanceado de ~2.500 AGNs não-blazares (do catálogo Gaia de AGNs variáveis).
• Fontes Desconhecidas: 21.733 candidatos a AGN sem contrapartidas em outros catálogos.

A extração de características foi realizada utilizando a biblioteca FATS (Feature Analysis for Time Series) para gerar descritores estatísticos padrão (ex: amplitude, autocorrelação, percentis de fluxo) e algoritmos customizados baseados em métodos da literatura (ex: modelos de Caminhada Aleatória Amortecida ou Damped Random Walk). Um total de ~70 características foram inicialmente extraídas e normalizadas.

A metodologia central emprega duas abordagens de aprendizado de máquina:

1. Classificação Supervisionada (LightGBM): Um modelo de Máquina de Gradiente de Boosting de Luz (Light Gradient-Boosting Machine) foi treinado no conjunto de dados "Conhecidos" utilizando uma estratégia de validação cruzada de cinco dobras (five-fold cross-validation). Os hiperparâmetros ($learning\_rate$, $n\_estimators$, $colsample\_bytree$) foram otimizados via GridSearchCV.
2. Aprendizado Semi-Supervisionado (Classificador de Auto-Treinamento - STC): Para classificar os objetos "Desconhecidos", um loop de auto-treinamento foi implementado. Um modelo LightGBM inicial, treinado nos dados conhecidos, atribuiu iterativamente pseudo-rótulos aos objetos não rotulados com alta confiança (limiar > 0,95), expandindo o conjunto de treinamento até a convergência.

Seleção de Características
Para lidar com a alta dimensionalidade do espaço de características, o algoritmo BoostBoruta (uma extensão do Boruta usando gradient boosting) foi aplicado. Este método identifica características relevantes comparando as características originais contra características "sombra" randomizadas. Valores SHAP (SHapley Additive exPlanations) foram integrados para aumentar a seleção de características e a interpretabilidade, quantificando as contribuições individuais das características para as previsões do modelo.

Resultos Principais

• Desempenho Supervisionado: O modelo LightGBM alcançou uma acurácia de 86% (±0,012) no conjunto de dados conhecido. Precisão, recall e scores F1 para ambas as classes (blazar e não-blazar) excederam 80–85%.
• Redução de Características: O BoostBoruta reduziu com sucesso o espaço de características de ~70 para 13 características fundamentais (incluindo Mean, Eta_e, DRW_tau, CAR_sigma, etc.) mantendo um desempenho comparável ao conjunto completo de características (Acurácia: 0,856 ± 0,012).
• Desempenho Semi-Supervisionado: O Classificador de Auto-Treinamento alcançou uma acurácia de 85% (±0,013) no conjunto de dados expandido, incluindo os 21.733 objetos desconhecidos. As métricas de desempenho permaneceram consistentes com a linha de base supervisionada, validando a confiabilidade da abordagem de pseudo-rotulagem.
• Importância das Características: As três características mais críticas identificadas em todos os experimentos foram Mean (magnitude média), Eta_e (razão entre a diferença de magnitude sucessiva média ao quadrado e a variância) e DRW_tau (tempo de relaxação de um modelo de Caminhada Aleatória Amortecida). Estas características refletem a dicotomia física entre a variabilidade rápida e intensa dos blazars e a evolução mais suave dos AGNs dominados por discos.

Significância e Alegações
O artigo alega que sua principal contribuição é demonstrar a viabilidade de classificar blazars versus AGNs não-blazares usando apenas dados de séries temporais ópticas, sem depender de informações de múltiplos comprimentos de onda (rádio, raios X, raios gama) ou acompanhamento espectroscópico. Os autores enfatizam que esta abordagem aproveita a abundância e acessibilidade de dados de grandes levantamentos como Gaia, Pan-STARRS e o futuro Rubin-LSST.

O estudo destaca que, apesar da sobreposição física nas assinaturas de variabilidade óptica entre blazars e outros AGNs, métodos baseados em dados podem alcançar uma discriminação robusta. A aplicação bem-sucedida do auto-treinamento a um grande grupo de candidatos não rotulados sugere que esta metodologia pode escalar para futuros levantamentos, identificando potencialmente dezenas de milhares de novos candidatos a blazars. O trabalho estabelece uma base para estudos populacionais eficientes de AGNs usando apenas variabilidade óptica, abordando as limitações dos gargalos de classificação atuais.