Identification of orphan gamma-ray bursts afterglows in optical in Rubin LSST data with the alert broker FINK
Identification des sursauts gamma orphelins dans le domaine optique dans les données du Rubin LSST avec le broker d'alertes FINK
Résumé
Gamma-ray bursts (GRBs) are among the most energetic phenomena in the Universe. The interaction of their relativistic blast waves with the ambient medium produces an afterglow that can be observed from a larger viewing angle, across a wide range of the electromagnetic spectrum, and during more time than the prompt gamma-ray emission. Over the past decades, significant progress in GRB science have been achieved thanks to the Swift and Fermi observatories. However, one area that remains relatively unexplored is that of orphan afterglows – GRB afterglows observed off-axis, for which the gamma-ray emission is negligible. These events are promising candidates for investigating GRB physics, jet structure, and progenitor systems, and also of particular interest in the context of the development of multi-messenger astrophysics involving gravitational waves.So far, only a few orphan afterglow candidates have been identified. The Vera C. Rubin Observatory is expected to enhance the detection of these faint sources thanks to its large field of view, large mirror and survey mode operations. As the Rubin Legacy Survey of Space and Time (LSST) is anticipated to generate around 10 million of alerts each night, alert brokers have been developed to process this huge stream of data.This thesis presents my work to identify orphan afterglows within the Rubin Wide Fast Deep survey using a machine learning classifier integrated into the Fink alert broker framework. My approach is based on the characteristic features of orphan afterglow light curves, computed within the framework of the forward shock model with synchrotron radiation from accelerated electrons. I first built a realistic GRB population based on the Swift catalogue SBAT4, and simulated their off-axis afterglow light curves using afterglowpy (Ryan et al., 2020). Observations for these synthetic light curves were then simulated using a realisation of the scheduler of Rubin LSST, allowing the extraction of various light curve features. In addition, I designed a new method to fit the light curves with observations in multiple bands by renormalising the bands to the r-band. Using this feature set, I trained a high-performance machine learning classifier capable of discriminating these rare orphan-like events from the other transient sources.This manuscript presents the performance of my filter as implemented in the Fink broker and tested on the ELAsTiCC data set – the first simulation of Rubin LSST alerts, with millions of synthetic transient light curves and host galaxies – and on my own Rubin observation simulations of orphan afterglows. My classifier successfully identifies 96% of the orphan afterglows while filtering out nearly all background events, making it feasible to visually inspect the remaining small set of candidates. This level of precision is essential given the amount of alerts expected from Rubin LSST each night.I also tested the robustness of my method on Zwicky Transient Facility (ZTF) simulations, LSST Commissioning data, and using an alternative GRB afterglow model (jetsimpy; Wang et al., 2024). I also introduce additional multi-wavelength and multi-messenger analyses. My code is fully open-source, integrated within Fink, and ready to process the first Rubin LSST alerts expected in the coming months.
Les sursauts gamma font partie des phénomènes les plus énergétiques de l’Univers. L’interaction de leur jet relativiste avec le milieu ambiant donne lieu à une émission rémanente, observable sur de plus longues durées, dans de nombreuses longueurs d’onde, et à des angles plus larges que l’émission gamma prompte. Au cours des dernières décennies, les missions Swift et Fermi ont permis des avancées majeures dans notre compréhension de ces événements. Toutefois, les sursauts gamma orphelins — définis comme des émissions rémanentes dépourvues de détection gamma — restent encore peu explorés. Ces événements constituent des candidats prometteurs pour étudier la physique des sursauts gamma, de leurs progéniteurs, ainsi que pour le développement de l’astronomie multi-messagers, notamment en lien avec les ondes gravitationnelles.À ce jour, seuls quelques candidats ont été identifiés. Cependant, l’Observatoire Vera C. Rubin, grâce à son grand champ de vue, son large miroir primaire et sa stratégie de relevé du ciel, offrira de nouvelles opportunités pour détecter ces sources faiblement lumineuses. Son relevé Legacy Survey of Space and Time (LSST) générera près de 10 millions d’alertes chaque nuit, rendant indispensable l’usage de brokers d’alertes pour traiter cette immense quantité de données.Cette thèse présente mon travail visant à identifier des candidats sursauts gamma orphelins au sein du relevé Rubin Wide Fast Deep, à l’aide d’un classifier basé sur un algorithme de machine learning, intégré au broker Fink. Mon approche repose sur les propriétés des courbes de lumières des sursauts gamma orphelins, modélisés dans le cadre du choc avant, avec émission synchrotron produite par l’accélération d’électrons. J’ai premièrement construit une population réaliste de sursauts gamma à partir du catalogue Swift SBAT4. Les courbes de lumière de leur émission rémanente, vues hors axe afin d’exclure toute détection prompte, ont été simulées à l’aide du code afterglowpy (Ryan et al., 2020). Leur observation dans les conditions du LSST a ensuite été reproduite à l’aide d’une simulation du relevé, permettant d’extraire plusieurs quantités caractéristiques.J’ai développé une méthode de rénormalisation au filtre r, afin d’unifier les courbes de lumière sur un même filtre photométrique. L’ensemble des caractéristiques extraites a servi à l’entraînement d’un classifier performant, capable d’identifier ces événements rares parmi l’entière population de transitoires. Les performances du filtre ont été évaluées à l’aide des données ELAsTiCC — première simulation réaliste du LSST contenant des millions de courbes de lumière — ainsi que sur mes propres simulations. Le classifier parvient à identifier 96 % des sursauts gamma orphelins tout en rejetant presque tous les autres types de transitoires, rendant possible une inspection visuelle des candidats. Ce niveau de précision est indispensable au vu de la quantité d’alertes générées par le Rubin LSST chaque nuit.La robustesse de ma méthode a également été testée sur des données du Zwicky Transient Facility (ZTF), sur des observations de la phase de commissioning du Rubin LSST, ainsi qu’en adoptant un autre modèle physique (jetsimpy ; Wang et al., 2024). Enfin, j’explore les perspectives offertes par les approches multi-longueurs d’onde et multi-messagers. L’ensemble de mon code est open-source, intégré à Fink, et prêt à traiter les premières alertes du Rubin LSST attendues dans les mois à venir.
Domaines
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
