Probing the Diversity of Type Ia Supernova Light Curves in the Open Supernova Catalog
Notice bibliographique
Résumé
Abstract The ever-growing sample of observed supernovae (SNe) enhances our capacity for comprehensive SN population studies, providing a richer data set for understanding the diverse characteristics of Type Ia supernovae (SNe Ia) and possibly those of their progenitors. Here, we present a data-driven analysis of observed SN Ia photometric light curves collected in the Open Supernova Catalog. Where available, we add the environmental information from the host galaxy. We focus on identifying subclasses of SNe Ia without imposing the predefined subclasses found in the literature to date. To do so, we employ an implicit rank-minimizing autoencoder neural network for developing low-dimensional data representations, providing a compact representation of the SN light-curve diversity. When we analyze light curves alone, we find that one of our resulting latent variables is strongly correlated with redshift, allowing us to approximately “de-redshift” the other latent variables describing each event. After doing so, we find that three of our latent variables account for ∼95% of the variance in our sample, and provide a natural separation between 91T and 91bg thermonuclear SNe. Of note, the 02cx subclass is not unambiguously delineated from the 91bg sample in our results, nor do either the overluminous 91T or the underluminous 91bg/02cx samples form a clearly distinct population from the broader sample of “other” SN Ia events. We identify the physical characteristics of SN light curves that best distinguish SNe 91T from SNe 91bg and 02cx, and discuss prospects for future refinements and applications to other classes of SNe as well as other transients.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».