Avancées dans la classification des supernovas grâce aux données de DESI

Avec le nombre de supernovae observées qui devrait augmenter grâce aux grandes enquêtes, il est super important d'avoir des outils efficaces pour classifier ces événements. L'Instrument Spectroscopique de l'Énergie Noire (DESI) vise à observer plus de 40 millions de galaxies. Bien que DESI ne soit pas uniquement une enquête sur les supernovae, il va inévitablement collecter des données importantes sur de nombreuses supernovae, que ce soit en suivant des événements connus ou en découvrant de nouveaux. Par exemple, des techniques similaires ont été utilisées dans d'autres projets, comme le Hobby–Eberly Telescope Dark Energy eXperiment (HETDEX).

Les supernovae, surtout de type Ia, ont été significatives dans le domaine de la cosmologie. Elles ont fourni des preuves critiques pour l'expansion de l'Univers et ont aidé à estimer la constante de Hubble. Ces dernières années, les chercheurs ont aussi cherché à utiliser les supernovae de type II comme des chandelles standardisables pour des mesures. Les enquêtes actuelles et futures comme DESI vont produire beaucoup plus de spectres que ce qui peut être traité avec des méthodes traditionnelles, c'est pourquoi l'apprentissage automatique est devenu de plus en plus important pour la classification de ces événements transitoires.

Pour classifier les spectres, on doit extraire des caractéristiques des données. L'extraction de caractéristiques peut se faire de plusieurs façons. Une méthode est de regarder le spectre dans son ensemble et de le comparer à des spectres modèles via une corrélation croisée. Dans des travaux antérieurs, une méthode appelée Supernova Tagging and Classification (STag I) a été introduite, utilisant des techniques d'apprentissage automatique comme la régression logistique pour déterminer des 'tags' pour différentes caractéristiques spectrales. Ce travail précédent a fourni une base pour le projet actuel, qui utilise maintenant des spectres de supernova modélisés aux côtés de données réelles de DESI pour entraîner un classificateur plus efficace qui peut gérer des conditions réalistes. De plus, l'utilisation du score rlap aide à améliorer la précision du classificateur en fournissant une mesure de fiabilité.

#Introduction

Bien que l'objectif principal de DESI ne soit pas sur les supernovae, la quantité de données générées va conduire à l'identification de nombreux spectres de supernovae. La capacité de DESI à observer de nombreuses galaxies entraînera inévitablement la collecte de spectres de supernovae. C'est similaire à la façon dont les enquêtes passées ont identifié des supernovae de manière fortuite.

Les supernovae, en particulier les types Ia, ont longtemps contribué à notre compréhension de l'expansion cosmique. Plus récemment, des tentatives d'utiliser les supernovae de type II à des fins similaires ont gagné en traction. Le défi est qu'à mesure que DESI et des enquêtes similaires collectent plus de spectres, le volume de données dépasse ce qui peut être analysé par des méthodes traditionnelles. Donc, utiliser l'apprentissage automatique pour la classification est devenu un besoin pressant.

Pour classifier les spectres avec précision, on s’appuie sur l'extraction de caractéristiques. Ce processus peut prendre plusieurs formes. Une approche consiste à analyser le spectre dans son intégralité et à utiliser des spectres modèles pour appariement. Notre recherche précédente a introduit une méthode qui a utilisé des tags de caractéristiques pour classifier les spectres de supernovae. Cette version antérieure de notre classificateur s'appuyait sur la régression logistique pour calculer des tags de probabilité pour des lignes spectrales spécifiques. Chaque spectre reçoit un ensemble de tags avec des probabilités correspondantes, qui sont ensuite traitées par un réseau de neurones artificiels (ANN) pour déterminer la classification la plus probable.

La version antérieure utilisait des spectres modèles idéalisés pour le modélisation, ce qui ne s'aligne pas toujours avec les données réelles. Les spectres de supernovae peuvent souvent être contaminés par la lumière de leurs galaxies hôtes, rendant difficile la distinction entre les véritables caractéristiques de supernovae et celles de la galaxie. Par conséquent, il y a besoin d'une technique de classification qui puisse identifier et séparer ces caractéristiques efficacement.

Pour y parvenir, on utilise le concept de Largeur équivalente-une mesure qui aide à évaluer la force et les caractéristiques des lignes spectrales. En comprenant si une ligne est en émission ou en absorption, on peut distinguer les véritables caractéristiques d'une supernova de celles qui ne sont que des contaminants de la galaxie. Les largeurs équivalentes peuvent être particulièrement utiles lorsque différentes lignes élémentaires se situent à des longueurs d'onde similaires.

Dans cet article, nous présentons une version mise à jour de notre outil de classification qui intègre des améliorations basées sur les largeurs équivalentes des lignes spectrales, ainsi que des tags affinés. Cette nouvelle version montre des performances améliorées et a été déployée pour classifier de nouveaux spectres recueillis lors de l'enquête DESI. Les travaux futurs développeront davantage ce classificateur pour analyser les spectres identifiés par d'autres techniques d'apprentissage automatique dans le projet DESI.

#Collecte de données

La version initiale de notre classificateur était basée sur un ensemble de spectres modèles dérivés du Deep Automated SN and Host Classifier (DASH) et de données réelles de l'Australian Dark Energy Survey (OzDES). Maintenant, alors que nous adaptons notre outil de classification pour une utilisation avec DESI, nous nous tournons vers des données réelles de DESI combinées à des spectres modèles.

Puisque DESI ne cible pas spécifiquement les supernovae, la plupart des spectres observés n'appartiendront pas à des supernovae. Donc, nous utilisons des spectres réels de DESI provenant de galaxies et créons des spectres simulés en les combinant avec des données de supernova modélisées. Cela nous permet de couvrir la gamme de types de supernovae que nous voulons classifier.

Les spectres simulés de supernovae incluent divers types, y compris les supernovae à effondrement de cœur (Types Ib, Ic et II) et les supernovae de type Ia. Nous avons produit un nombre considérable de spectres simulés, couvrant différentes phases lumineuses et des ratios de lumière de supernova à lumière de galaxie. En utilisant cette méthode, nous avons généré plus de 400 000 spectres, en nous assurant que nos ensembles d'entraînement, de validation et de test reflètent une distribution équilibrée des types de supernovae.

En plus des spectres simulés, nous visons également à évaluer la performance de notre classificateur en utilisant des spectres de supernovae réels observés par DESI. Bien qu'il y ait des cas limités de supernovae observées par DESI, quelques cas existent où les spectres DESI correspondent à des découvertes de supernovae connues.

Pour identifier ces cas, nous avons vérifié les positions et les horaires des observations de DESI par rapport aux rapports du Transient Name Server (TNS). En nous concentrant sur les observations faites autour des dates de découverte attendues, nous avons identifié un groupe de huit supernovae pour une classification détaillée. Chaque cas a présenté des défis uniques, comme des écarts dans les redshifts rapportés entre DESI et TNS.

#Méthodologie

Le processus de classification implique le calcul des probabilités de tags en utilisant la régression logistique. Cette méthode aide à déterminer rapidement la probabilité que certaines caractéristiques spectrales soient présentes. Une fois les probabilités calculées, elles sont saisies dans un ANN, qui évalue ensuite le meilleur ajustement pour la classification de supernova.

Avec l'introduction de nouvelles données, nous avons revisité et affiné notre système de tagging. Certains tags plus anciens couvraient de larges gammes de longueurs d'onde qui pouvaient chevaucher d'autres caractéristiques spectrales. Par conséquent, nous avons établi des limites plus strictes pour des tags spécifiques, permettant une classification plus précise. De plus, nous avons éliminé des tags qui causaient de la confusion lors de la classification, comme celui associé à une caractéristique rarement observée en dehors d'un type spécifique de supernova.

Dans notre classificateur mis à jour, nous avons incorporé des largeurs équivalentes pour mieux informer le processus de classification. Cette intégration consiste à ajouter des caractéristiques spécifiques pour des lignes spectrales proéminentes et à calculer leurs largeurs équivalentes pour améliorer les performances de classification. L'architecture du réseau de neurones a aussi été ajustée pour optimiser son efficacité avec les nouvelles données de tagging et de largeur équivalente.

Pour évaluer la fiabilité des Classifications, nous avons introduit le score rlap. Cette mesure évalue à quel point un spectre donné est similaire à un spectre modèle, fournissant une couche supplémentaire de confiance dans les résultats de classification. En croisant les spectres observés avec des données modèles, nous pouvons déterminer si notre classification est précise et fournir des informations sur la phase de la supernova au moment de l'observation.

Un domaine critique pour la précision de la classification est de s'assurer que le redshift correct est utilisé pour chaque spectre. Le redshift peut avoir un impact significatif sur le processus de classification et doit s'aligner étroitement avec les valeurs connues des rapports TNS. Nous avons conçu notre méthodologie pour avoir un contrôle sur la précision du redshift, aidant à des classifications précises et réduisant les problèmes dus à des données incorrectes.

#Résultats

Nous avons implémenté notre classificateur à la fois sur des données simulées et réelles de DESI. Pour la phase de test, nous avons utilisé les données simulées collectées pour la classification. Après avoir appliqué notre seuil de score rlap pour classifier les spectres, nous avons trouvé de forts taux de précision à travers différents types de supernovae. Le classificateur a atteint une précision presque parfaite pour identifier les types Ia et Ib, avec un taux légèrement inférieur pour le type Ic, qui présente souvent des défis uniques en raison du manque de caractéristiques distinctives.

Dans le cas des observations de supernovae provenant de DESI, nous avons classifié huit cas par rapport à la base de données TNS. Parmi ceux-ci, nous avons réussi à classifier deux supernovae après avoir appliqué nos critères rigoureux de rlap, démontrant la fiabilité de notre classificateur dans des conditions du monde réel. Cependant, plusieurs autres cas sont restés non classifiés, soulignant que le timing des observations par rapport à la courbe lumineuse de la supernova joue un rôle critique dans notre processus de classification.

Pour beaucoup de ces instances non classifiées, le timing des observations de DESI a eu lieu avant que la supernova n'atteigne son pic de luminosité, ce qui a limité la présence de caractéristiques de supernova identifiables dans les données spectroscopiques. Cela démontre l'importance de considérer les courbes lumineuses des supernovae par rapport aux données d'observation.

#Discussion

La version mise à jour de notre outil de classification offre des améliorations substantielles par rapport à l'original. En affinant le système de tagging, en incorporant des largeurs équivalentes et en utilisant le score rlap, nous avons amélioré notre précision de classification et notre fiabilité. Les implémentations réalisées dans cette itération nous permettent de fournir non seulement une classification mais aussi des informations supplémentaires, y compris les largeurs équivalentes et des estimations potentielles de phase.

Alors que la première version de notre classificateur renvoyait des classifications sans tenir compte de leur précision, le nouveau système montre une approche plus discriminante. En exigeant un score minimum de rlap pour les classifications, nous augmentons notre confiance dans l'étiquette attribuée à chaque spectre. Ce changement contribue non seulement à produire des classifications fiables, mais simplifie également l'analyse des caractéristiques spectrales sous-jacentes impliquées.

La nécessité de données de haute qualité va croître à mesure que le projet DESI continue de recueillir plus de spectres. Les améliorations futures pourraient se concentrer sur l'expansion de la gamme et des types de supernovae considérés par le classificateur. De plus, intégrer des informations de phase dans le processus de classification pourrait améliorer notre compréhension des caractéristiques spectrales sensibles au temps.

Dans l'ensemble, ce classificateur mis à jour marque un pas en avant significatif dans la classification des supernovae fortuites et promet d'aider la communauté scientifique plus large à comprendre ces événements cosmiques fascinants. Alors que nous continuons cette recherche, nous anticipons d'autres avancées et refinements à mesure que de plus en plus de données deviennent disponibles.

#Conclusion

Notre nouvel outil de classification offre un pas en avant dans la classification des supernovae. En utilisant des techniques avancées comme le tagging affiné, les largeurs équivalentes et les scores rlap, nous améliorons la fiabilité de nos résultats. Ce classificateur est maintenant mieux adapté pour gérer les complexités des données d'observation réelles.

Alors que le projet DESI progresse et que plus de données sont collectées, nous nous attendons à ce que notre outil joue un rôle vital dans l'identification et la classification des supernovae découvertes de manière fortuite. Les travaux futurs se concentreront sur l'amélioration de la précision de la classification et l'expansion des capacités de classification pour inclure des types rares de supernovae.

Avec la collaboration de la communauté scientifique, cette recherche peut aider à approfondir notre connaissance et notre compréhension des supernovae et de leurs contributions au cosmos.