Quantitative modelling of type Ia supernovae spectral time series: constraining the explosion physics
Notice bibliographique
Résumé
ABSTRACT Multiple explosion mechanisms have been proposed to explain type Ia supernovae (SNe Ia). Empirical modelling tools have also been developed that allow for fast, customized modelling of individual SNe and direct comparisons between observations and explosion model predictions. Such tools have provided useful insights, but the subjective nature with which empirical modelling is performed makes it difficult to obtain robust constraints on the explosion physics or expand studies to large populations of objects. Machine learning accelerated tools have therefore begun to gain traction. In this paper, we present riddler, a framework for automated fitting of SNe Ia spectral sequences up to shortly after maximum light. We train a series of neural networks on realistic ejecta profiles predicted by the W7 and N100 explosion models to emulate full radiative transfer simulations and apply nested sampling to determine the best-fitting model parameters for multiple spectra of a given SN simultaneously. We show that riddler is able to accurately recover the parameters of input spectra and use it to fit observations of two well-studied SNe Ia. We also investigate the impact of different weighting schemes when performing quantitative spectral fitting and show that best-fitting models and parameters are highly dependent on the assumed weighting schemes and priors. As spectroscopic samples of SNe Ia continue to grow, automated spectral fitting tools such as riddler will become increasingly important to maximise the physical constraints that can be gained in a quantitative and consistent manner.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».