[論文レビュー] Photometric classification of supernovae detected by the Zwicky Transient Facility using noise augmentation

A. Townsend, J. Nordin+28 more|arXiv (Cornell University)|Feb 13, 2026

Gamma-ray bursts and supernovae被引用数 0

ひとこと要約

本論文はParSNIPオートエンコーダとノイズ拡張を用いた特徴量ベースのフォトメトリックSN分類器をZTFに適用し、実データのノイズや高赤方偏移光曲線を分類、SN Iaのリコールを高く維持しリアルタイム優先度付けを可能にする。

ABSTRACT

Modern time-domain surveys, such as the Zwicky Transient Facility (ZTF), detect far more extragalactic transients than can be spectroscopically classified. Photometric classification offers a scalable alternative, enabling the identification of larger, fainter, and higher-redshift supernova samples suitable for applications such as Type Ia supernova (SN Ia) cosmology. We present a feature-based photometric classifier for SNe detected by ZTF, with the primary goal of constructing a photometric SN Ia sample for cosmological analyses. Our approach utilises the autoencoder architecture of ParSNIP (Boone 2021) to capture the intrinsic diversity of SN light curves. We trained the model on a spectroscopically classified ZTF SN sample, incorporating a realistic noise augmentation procedure that simulates the flux uncertainties of fainter sources. Light curve features were used to train a gradient-boosted decision tree classifier, implemented in both binary (SN Ia vs. non-Ia) and multi-class configurations. We validated our classifier on independent, fainter ZTF data with and without noise augmentation. To evaluate real-time performance, we also applied our classifier to live ZTF alerts and conducted a spectroscopic classification survey within the ePESSTO+ collaboration. We found that noise augmentation significantly improves classification performance, particularly for fainter sources. Our binary classifier achieves an SN Ia recall of (98.1 $\pm$ 0.4)%, averaged across five train-test splits. SN Ia recall exceeds 98% for events with a peak apparent magnitude up to 20 and more than 10 detections, and remains above 96% up to magnitude 20.5. Overall, 95% of sources were correctly classified in both binary and multi-class modes. Our classifier performs efficiently on real ZTF data and enables construction of a large photometric SN Ia sample for cosmology.

研究の動機と目的

• 時系列サーベイ（例：ZTF）から得られるスペクトル不足の大規模SNサンプルに対して、スケーラブルなフォトメトリック分類を動機付ける。
• ParSNIPの潜在表現を活用して内在的SN多様性を捉えつつ観測条件に頑健な特徴量ベースの分類器を開発する。
• より暗くノイズの多い出力を模倣する現実的なノイズ拡張手法を組み込み、高赤方偏移母集団への一般化を改善する。
• 実データZTFを用いた評価（ faint light curvesを含む）と、ePESSTO+内でのリアルタイムアラート分類およびスペクトroscopic follow-upの適用性を評価する。
• 量的リコールと混同行動の特徴を持つフォトメトリックSN Iaサンプルを構築することでSN Ia宇宙論への影響を評価する。

提案手法

• ParSNIPオートエンコーダを用いてSN光曲線の潜在表現を学習し、 intrinsicプロパティと観測効果を分離する。
• ParSNIP表現に基づく光曲線特徴量から決定木を勾配ブースティング法で分類器として訓練し、二値設定（SN Ia対非Ia）と多クラス設定の両方を扱う。
• 実験的な flux誤差モデルを用いたノイズ拡張パイプラインを実装し、ZTFのフラックス誤差を再現して高赤方偏移観測を模倣する。
• Flux不確かさをポアソン様項、バイアス項、ランダム指数成分、微小定数オフセットを組み合わせた経験的関係式でモデル化する（式2）。
• 輝度距離スケーリングによる赤方偏移拡張（式3）とK-corrections（セクション3.2）を追加して拡張訓練サンプルを生成する。
• BrightZTFおよびFaintZTF分割とRandomZTFの拡張有無で性能を評価し、リアルタイム適用性をライブZTFアラートとePESSTO+スペクトroscopic追跡で検証する。

Figure 1 : The peak apparent magnitude distribution for our sample, divided into classes of SN Ia (blue), SN II (orange), SN Ib/c (green), SN IIn (red), SLSN (pink). The filled histograms represent the test sample, FaintZTF , and the outline represents the full dataset. The peak apparent magnitude c

実験結果

リサーチクエスチョン

• RQ1 ParSNIPベースの潜在表現とノイズ拡張の組み合わせは、特に暗くノイズの多い光曲線に対してフォトメトリックSN分類を改善できるか。
• RQ2 拡張がSN Iaリコールと全体の分類精度に与える影響は、等級域（明るさの範囲）ごとにどう変わるか。
• RQ3 実データのライブZTFデータおよび訓練セット制約内の稀少/トランジェントサブタイプに対する一般化性能はどの程度か。
• RQ4 大規模サーベイ（例：LSST）でのスペクトroscopic追跡のリアルタイム優先度付けに適しているか。
• RQ5 定量化されたリコールと混合特性を持つフォトメトリックSN Iaサンプルを用いた場合の宇宙論的含意は何か。

主な発見

• ノイズ拡張により、より暗い出力の分類性能が著しく改善される。
• 二値系のSN Iaリコール：訓練–テスト分割の5つの組で平均98.1%±0.4%。
• ピーク等級が20まで、検出が10件以上のイベントでSN Iaリコール>98%、等級20.5までは>96%を維持。
• 全体として、二値系と多クラス設定のいずれでもソースの95%が正しく分類。
• ライブZTF分類調査では、対象の78%が正しく分類され、SLSNeのような稀少イベントも含まれる（各対象につき中央値9件の検出にも関わらず）。

Figure 2 : Comparison of the $\sigma_{\mathrm{t}}/f_{\mathrm{t}}$ vs. $f_{\mathrm{t}}$ distributions of the original ZTF light curves (upper left) and the ZTF light curves with flux errors simulated according to Equation 2 (upper right). The corresponding residual distributions for $\epsilon$ are sh