Supernovae complete pipeline: from light curves to cosmology

Abstract

Las supernovas de tipo Ia (SNe Ia) son herramientas clave en cosmología moderna, al permitir reconstruir la historia de expansión del universo y estudiar la energía oscura. Ante los grandes volúmenes de datos generados por surveys actuales y futuros, esta tesis desarrolla, implementa y valida un pipeline computacional end-to-end para identificar automáticamente supernovas útiles en la inferencia cosmológica, usando datos simulados que emulan las condiciones observacionales del proyecto Dark Energy Survey.

La metodología comienza con un catálogo de 300.000 curvas de luz sintéticas generadas con SNANA, correspondientes a SNe Ia y no-Ia. Estas curvas se preprocesan mediante ajustes con B-splines, con el fin de normalizarlas para su uso en un clasificador binario basado en redes neuronales recurrentes (RNN), optimizado con la librería PyHopper. Las curvas clasificadas con alta probabilidad de ser tipo Ia ($P(\text{Ia}) \ge 0.9$) se ajustan posteriormente con el modelo SALT3 implementado en la librería SNCosmo, para estimar sus parámetros fotométricos $m_B$, $x_1$ y $c$.

Con estos parámetros se calcula el módulo de distancia $\mu$ de cada supernova, que se utiliza en un análisis bayesiano, implementado con la librería emcee, para inferir los parámetros cosmológicos bajo los modelos $\Lambda$CDM, $w$CDM y $w_0w_a$CDM, tanto en versiones planas como con curvatura espacial. En todos los casos se marginaliza analíticamente sobre un parámetro que combina $M_B$ y $H_0$.

El clasificador mostró un desempeño robusto ante distintas inicializaciones, con una exactitud de 0.953 $\pm$ 0.002 y un AUC de 0.988. La inferencia cosmológica, realizada sobre 5.000 supernovas clasificadas como Ia, recuperó los parámetros simulados dentro de 1 a 2$\sigma$ de las incertidumbres estadísticas, validando la consistencia interna del pipeline.

Este trabajo demuestra la viabilidad de un pipeline automatizado, basado en deep learning y análisis bayesiano, para el procesamiento fotométrico de supernovas y la inferencia de parámetros cosmológicos, estableciendo una base metodológica sólida para aplicaciones futuras con datos reales.