[论文解读] Cosmology with Contaminated Samples: Methods of Measuring Dark Energy with Photometrically Classified Pan-STARRS Supernovae

D. O. Jones, D. Scolnic+19 more|arXiv (Cornell University)|Nov 21, 2016

Gamma-ray bursts and supernovae被引用 5

一句话总结

该论文提出了一种贝叶斯方法——多类型超新星的BEAMS，用于在光谱分类受限且存在核心坍缩超新星（CC SNe）污染的情况下，利用光测分类的Pan-STARRS超新星测量暗能量。该方法将暗能量状态方程$w$的系统误差降低至0.005（仅为统计不确定性的11%），即使在仅有少量光谱分类的情况下，也展现出稳健的宇宙学约束能力。

ABSTRACT

The Pan-STARRS (PS1) Medium Deep Survey discovered over 5,000 likely supernovae (SNe) but obtained spectral classifications for just 10% of its SN candidates. We measured spectroscopic host galaxy redshifts for 3,073 of these likely SNe and estimate that $\sim$1,000 are Type Ia SNe (SNe Ia) with light-curve quality sufficient for a cosmological analysis. We use these data with simulations to determine the impact of core-collapse SN (CC SN) contamination on measurements of the dark energy equation of state parameter, $w$. Using the method of Bayesian Estimation Applied to Multiple Species (BEAMS), distances to SNe Ia and the contaminating CC SN distribution are simultaneously determined as a function of redshift. We test light-curve based SN classification priors for BEAMS as well as a new classification method that relies upon host galaxy spectra and the association of SN type with host type. By testing several SN classification methods and CC SN parameterizations on 1,000-SN simulations, we conservatively estimate that CC SN contamination gives a systematic error on $w$ ($\sigma_w^{CC}$) of 0.014, 30% of the statistical uncertainty. Our best method gives $\sigma_w^{CC} = 0.005$, just 11% of the statistical uncertainty, but could be affected by incomplete knowledge of the CC SN distribution. Our method determines the SALT2 color and shape coefficients, $\alpha$ and $\beta$, with $\sim$3% bias. Real PS1 SNe without spectroscopic classifications give measurements of $w$ that are within 0.5$\sigma$ of measurements from PS1 spectroscopically confirmed SNe. Finally, the inferred abundance of bright CC SNe in our sample is greater than expected based on measured CC SN rates and luminosity functions.

研究动机与目标

• 解决Pan-STARRS巡天中核心坍缩超新星（CC SNe）污染光测分类Ia型超新星样本所导致的宇宙学偏差问题。
• 开发并测试一种联合估计Ia型超新星与CC SNe距离的方法，利用光变曲线和宿主星系数据，最小化$w$中的系统误差。
• 通过模拟和真实数据量化CC SNe污染对$w$测量的影响，特别是在光谱分类稀疏的情况下。
• 评估在BEAMS框架内，基于光变曲线和基于宿主星系的超新星分类先验在提升宇宙学推断精度方面的表现。

提出的方法

• 应用贝叶斯多物种估计（BEAMS）方法，结合光测光变曲线和红移数据，联合估计Ia型超新星与CC SNe的距离。
• 引入宿主星系红移数据，以及基于宿主星系光谱和超新星类型-宿主星系类型关联关系推导出的超新星类型分类先验。
• 测试多种超新星分类方法，包括基于光变曲线的先验和一种新型基于宿主星系的方法，以评估其鲁棒性和偏差。
• 利用1,000个超新星的模拟，估算由于CC SNe污染导致的$w$的系统误差，同时改变对CC SNe光度函数的假设。
• 在最佳情况下，利用模拟和真实数据校准SALT2颜色（$\alpha$）和形状（$\beta$）参数，其偏差控制在3%以内。
• 将光测分类超新星的宇宙学约束结果与光谱确认超新星的结果进行比较，以验证该方法的有效性。

实验结果

研究问题

• RQ1 光测分类的Pan-STARRS超新星中，核心坍缩超新星污染对暗能量状态方程$w$的系统误差有多大？
• RQ2 基于光变曲线或宿主星系特性的不同超新星分类先验，在BEAMS框架中如何影响$w$测量的准确性？
• RQ3 在仅10%光谱分类的情况下，能否可靠地从样本中提取宇宙学约束？使用BEAMS和模拟方法评估该问题。
• RQ4 PS1样本中推断出的CC SNe光度函数与实测CC SNe发生率和光度函数的预期相比如何？
• RQ5 在真实和模拟数据上使用该方法时，SALT2参数$\alpha$和$\beta$的偏差是多少？

主要发现

• 由于CC SNe污染导致的$w$的系统误差保守估计为$\sigma_w^{CC} = 0.014$，占统计不确定性的30%。
• 采用最佳分类方法时，$\sigma_w^{CC} = 0.005$，仅占统计不确定性的11%，但该结果依赖于对CC SNe分布的准确知识。
• 使用最优方法时，SALT2颜色（$\alpha$）和形状（$\beta$）参数的偏差约为3%。
• 对未进行光谱分类的真实PS1超新星样本，其$w$测量结果与光谱确认样本的差异在0.5$\sigma$以内，表明结果具有高度可靠性。
• PS1样本中明亮CC SNe的丰度高于基于实测CC SNe发生率和光度函数的预期。
• 在光谱数据有限的情况下，基于宿主星系的分类方法在降低$w$的系统误差方面优于基于光变曲线的先验。