[论文解读] 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 0

一句话总结

该论文提出了一种基于特征的 ZTF 光变超新星分类器，使用 ParSNIP 自编码器和噪声增强来对真实、带噪声和高红移的光曲线进行分类，实现了高的 SN Ia 召回率并支持实时优先级排序。

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.

研究动机与目标

• 为来自如 ZTF 这样的时域 surveys 的大规模、光谱学不完整的超新星样本提供可扩展的光度分类的动机。
• 开发一种基于特征的分类器，利用 ParSNIP 的潜在表示来捕捉内在的超新星多样性，同时对观测条件保持鲁棒。
• 引入一个现实的噪声增强过程，以模拟更暗、噪声更大的源并提高对更高红移群体的泛化能力。
• 在真实的 ZTF 数据上评估分类器性能，包括较弱光曲线，并通过实时警报分类和 ePESSTO+ 的光谱跟进评估实时适用性。
• 评估对 SN Ia 宇宙学的影响，通过构建具有量化召回和污染特征的光度 SN Ia 样本来实现。

提出的方法

• 使用 ParSNIP 自编码器学习 SN 光曲线的潜在表示，将内在属性与观测效应解耦。
• 在基于 ParSNIP 表示的光曲线特征上，使用梯度提升决策树分类器进行二分类（SN Ia vs 非 Ia）和多类设置的训练。
• 实现一个噪声增强管道，使用经验的、与 flux 有关的误差模型来建模 ZTF 的 flux 误差，并应用红移基础的 flux 缩放和 K 纠正以模拟更高红移的观测。
• 用一个经验关系来描述 ZTF flux 不确定性，结合泊松样项、偏置项、随机指数分量和一个小的常数偏移量（方程（2））。
• 通过光度-距离缩放（方程（3））实现红移增强，并添加 K- Corrections（3.2 节）来生成增强的训练样本。
• 在 BrightZTF、FaintZTF 划分以及 RandomZTF（含有 增强/不含增强）上评估性能；通过实时 ZTF 警报和 ePESSTO+ 光谱跟进测试实时适用性。

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

实验结果

研究问题

• RQ1 ParSNIP 基于潜在表示结合噪声增强是否能提升光度 SN 分类的效果，尤其是对较暗、带噪声的光曲线？
• RQ2 增强对 SN Ia 召回和在不同亮度区间的整体分类准确性的影响？
• RQ3 分类器对真实、实时 ZTF 数据以及训练集约束内的稀有/瞬变亚型的泛化能力如何？
• RQ4 该方法是否适合在像 LSST 这样的大规模 surveys 中用于光谱跟进的实时优先排序？
• RQ5 使用具有量化召回和污染特征的光度 SN Ia 样本在宇宙学上的含义是什么？

主要发现

• 噪声增强显著提升对较暗源的分类性能。
• 二元 SN Ia 召回率：平均在五个训练–测试分割上为 98.1% ± 0.4%。
• 对峰值等效幅度最高到 20 且有 >10 次检测的事件，SN Ia 召回率>98%；在等效幅度到 20.5 时仍保持>96%。
• 总体而言，在二元与多类别配置下，95% 的源被正确分类。
• 在实时 ZTF 分类调查中，78% 的目标被正确分类，尽管存在像 SLSNe 这样的稀有事件，且每个对象的中位检测次数为九次。

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