[논문 리뷰] Photometric classification of supernovae detected by the Zwicky Transient Facility using noise augmentation

A. Townsend, J. Nordin외 28명|arXiv (Cornell University)|2026. 02. 13.

Gamma-ray bursts and supernovae인용 수 0

한 줄 요약

논문은 ParSNIP 자동인코더와 노이즈 확장을 이용한 ZTF용 특징 기반 광변광 SN 분류기를 제시한다. 실제 노이즈가 있는 노출과 높은 적색편차를 보이는 광 곡선을 분류하고, SN Ia 재현율이 높으며 실시간 우선순위 지정을 가능하게 한다.

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.

연구 동기 및 목표

• ZTF와 같은 시간 영역 서베이에서 구spectro 스펙트럼 측정이 불완전한 대규모 SN 샘플의 확장 가능한 광변광 분류를 동기 부여한다.
• ParSNIP의 잠재 표현을 활용하여 SN 다양성의 내재적 특성을 포착하면서 관찰 조건에 강인한 특징 기반 분류기를 개발한다.
• 더 어두워지고 노이즈가 증가하는 소스들을 시뮬레이션하기 위한 현실적인 노이즈 확장 절차를 도입하고 더 높은 적색편향(population)에 일반화 성능을 향상시킨다.
• 실제 ZTF 데이터(약한 광 곡선 포함)에서의 분류 성능을 평가하고, ePESSTO+ 내 실시간 경고 분류 및 분광 후속 관측을 통한 실시간 적용 가능성을 평가한다.
• 정확하게 재현율과 오염 특성을 정량화한 광변광 SN Ia 샘플 구축을 통해 SN Ia 우주론에 대한 시사점을 평가한다.

제안 방법

• ParSNIP 자동인코더를 사용하여 SN 광 곡선의 잠재 표현을 학습하고, 내재적 특성과 관측 효과를 해소하도록 분리한다.
• ParSNIP 표현에서 파생된 광 곡선 특징을 이용한 그래디언트 부스팅 의사결정 트리 분류기를 바이너리(SN Ia 대 비-Ia) 및 다중 클래스 설정에서 학습한다.
• ZTF 플럭스 오차를 경험적이며 플럭스 의존적 오차 모델로 모델링하고, 적색편차 기반 플럭스 스케일링과 K-보정을 적용하여 더 높은 적색편향 관측을 시뮬레이션하는 노이즈 확장 파이프라인을 구현한다.
• 식(2)와 같은 포아송-유사 항, 바이어스 항, 임의의 지수 성분 및 작은 상수 오프셋을 결합한 경험적 관계로 ZTF 플럭스 불확실성을 모델링한다.
• 광도-거리 스케일링(식 3)을 통해 적색편차 확장을 적용하고 K-보정(섹션 3.2)을 추가하여 보강된 학습 샘플을 생성한다.
• Augmentation 유무에 따른 BrightZTF와 FaintZTF 분할 및 RandomZTF에서의 성능을 평가하고, 실시간 ZTF 경고와 ePESSTO+ 분광 후속 관측을 통한 실시간 적용 가능성을 테스트한다.

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

실험 결과

연구 질문

• RQ1 ParSNIP 기반 잠재 표현과 노이즈 확장이 광변광 SN 분류를 개선할 수 있는가, 특히 더 어둡고 더 노이즈가 많은 광 곡선에서 그렇는가?
• RQ2 확장(augmentation)이 SN Ia 재현율과 다양한 등급에서의 분류 정확도에 어떤 영향을 미치는가?
• RQ3 클래스에 속하지 않는 데이터 및 실시간 ZTF 데이터의 일반화 성능은 훈련 세트 제약 안에서 얼마나 잘 작동하는가?
• RQ4 대규모 서베이(예: LSST)에서 광학 대상의 분광 후속 관측 실시간 우선순위 지정에 이 접근법이 적합한가?
• RQ5 정량화된 재현율 및 오염 특성을 가진 광변광 SN Ia 샘플을 사용하는 경우의 우주론적 시사점은 무엇인가?

주요 결과

• 노이즈 확장은 더 어두운 소스의 분류 성능을 크게 개선한다.
• 바이너리 SN Ia 재현율: 다섯 개의 학습-테스트 분할에서 평균 98.1 ± 0.4%이다.
• 피크 등급이 -쩡-까지의 이벤트에서 SN Ia 재현율은 98% 이상이며 탐지 수가 10건 이상일 때도 동일하고, 등급이 20.5까지도 재현율은 96%를 유지한다.
• 전반적으로 두 설정(바이너리 및 다중 클래스)에서 소스의 95%가 정확히 분류되었다.
• 실시간 ZTF 분류 설계에서 대상의 78%가 정확히 분류되었으며, SLSNe와 같은 희귀 이벤트도 포함되었다. 단, 대상당 중앙값 검출 수는 9건이었다.]
• table_headers: []
• table_rows: []

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