Quasars with Periodic Variability: Capabilities and Limitations of Bayesian Searches for Supermassive Black Hole Binaries in Time-domain Surveys
Notice bibliographique
Résumé
Abstract Supermassive black hole binaries (SMBHBs) are an inevitable consequence of galaxy mergers. At sub-parsec separations, they are practically impossible to resolve, and the most promising technique is to search for quasars with periodic variability. However, searches for quasar periodicity in time-domain data are challenging due to the stochastic variability of quasars. In this paper, we used Bayesian methods to disentangle periodic SMBHB signals from intrinsic damped random walk (DRW) variability in active galactic nuclei light curves. We simulated a wide variety of realistic DRW and DRW+sine light curves. Their observed properties are modeled after the Catalina Real-time Transient Survey (CRTS) and expected properties of the upcoming Legacy Survey of Space and Time (LSST) from the Vera C. Rubin Observatory. Through a careful analysis of parameter estimation and Bayesian model selection, we investigated the range of parameter space for which binary systems can be detected. We also examined which DRW signals can mimic periodicity and be falsely classified as binary candidates. We found that periodic signals are more easily detectable if the period is short or the amplitude of the signal is large compared to the contribution of the DRW noise. We saw similar detection rates both in the CRTS and LSST-like simulations, while the false-detection rate depends on the quality of the data and is minimal in LSST. Our idealized simulations provide an excellent way to uncover the intrinsic limitations in quasar periodicity searches and set the stage for future searches for SMBHBs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».