The Dark Energy Survey Supernova Program: Cosmological biases from supernova photometric classification - CNRS - Centre national de la recherche scientifique Accéder directement au contenu
Article Dans Une Revue Mon.Not.Roy.Astron.Soc. Année : 2023

The Dark Energy Survey Supernova Program: Cosmological biases from supernova photometric classification

M. Vincenzi
  • Fonction : Auteur
M. Sullivan
  • Fonction : Auteur
P. Armstrong
  • Fonction : Auteur
B.A. Bassett
  • Fonction : Auteur
D. Brout
  • Fonction : Auteur
D. Carollo
  • Fonction : Auteur
A. Carr
  • Fonction : Auteur
T.M. Davis
  • Fonction : Auteur
C. Frohmaier
  • Fonction : Auteur
L. Galbany
  • Fonction : Auteur
K. Glazebrook
  • Fonction : Auteur
O. Graur
  • Fonction : Auteur
L. Kelsey
  • Fonction : Auteur
R. Kessler
  • Fonction : Auteur
E. Kovacs
  • Fonction : Auteur
G.F. Lewis
  • Fonction : Auteur
C. Lidman
  • Fonction : Auteur
U. Malik
  • Fonction : Auteur
R.C. Nichol
  • Fonction : Auteur
B. Popovic
  • Fonction : Auteur
M. Sako
  • Fonction : Auteur
D. Scolnic
  • Fonction : Auteur
M. Smith
  • Fonction : Auteur
G. Taylor
  • Fonction : Auteur
B.E. Tucker
  • Fonction : Auteur
P. Wiseman
  • Fonction : Auteur
M. Aguena
  • Fonction : Auteur
S. Allam
  • Fonction : Auteur
J. Annis
  • Fonction : Auteur
J. Asorey
  • Fonction : Auteur
D. Bacon
  • Fonction : Auteur
D. Brooks
  • Fonction : Auteur
D.L. Burke
  • Fonction : Auteur
A. Carnero Rosell
  • Fonction : Auteur
J. Carretero
  • Fonction : Auteur
F.J. Castander
  • Fonction : Auteur
M. Costanzi
  • Fonction : Auteur
L.N. da Costa
  • Fonction : Auteur
M.E.S. Pereira
  • Fonction : Auteur
J. de Vicente
  • Fonction : Auteur
S. Desai
  • Fonction : Auteur
H.T. Diehl
  • Fonction : Auteur
P. Doel
  • Fonction : Auteur
S. Everett
  • Fonction : Auteur
I. Ferrero
  • Fonction : Auteur
B. Flaugher
  • Fonction : Auteur
P. Fosalba
J. Frieman
  • Fonction : Auteur
J. García-Bellido
  • Fonction : Auteur
D.W. Gerdes
  • Fonction : Auteur
D. Gruen
  • Fonction : Auteur
G. Gutierrez
  • Fonction : Auteur
S.R. Hinton
  • Fonction : Auteur
D.L. Hollowood
  • Fonction : Auteur
K. Honscheid
  • Fonction : Auteur
D.J. James
  • Fonction : Auteur
K. Kuehn
  • Fonction : Auteur
N. Kuropatkin
  • Fonction : Auteur
O. Lahav
  • Fonction : Auteur
T.S. Li
  • Fonction : Auteur
M. Lima
  • Fonction : Auteur
M.A.G. Maia
  • Fonction : Auteur
J.L. Marshall
  • Fonction : Auteur
R. Miquel
  • Fonction : Auteur
R. Morgan
  • Fonction : Auteur
R.L.C. Ogando
  • Fonction : Auteur
A. Palmese
  • Fonction : Auteur
F. Paz-Chinchón
  • Fonction : Auteur
A. Pieres
  • Fonction : Auteur
A.A. Plazas Malagón
  • Fonction : Auteur
K. Reil
  • Fonction : Auteur
A. Roodman
  • Fonction : Auteur
E. Sanchez
  • Fonction : Auteur
M. Schubnell
  • Fonction : Auteur
S. Serrano
  • Fonction : Auteur
I. Sevilla-Noarbe
  • Fonction : Auteur
E. Suchyta
  • Fonction : Auteur
G. Tarle
  • Fonction : Auteur
C. To
  • Fonction : Auteur
T.N. Varga
  • Fonction : Auteur
J. Weller
  • Fonction : Auteur
R.D. Wilkinson
  • Fonction : Auteur

Résumé

Cosmological analyses of samples of photometrically-identified Type Ia supernovae (SNe Ia) depend on understanding the effects of 'contamination' from core-collapse and peculiar SN Ia events. We employ a rigorous analysis on state-of-the-art simulations of photometrically identified SN Ia samples and determine cosmological biases due to such 'non-Ia' contamination in the Dark Energy Survey (DES) 5-year SN sample. As part of the analysis, we test on our DES simulations the performance of SuperNNova, a photometric SN classifier based on recurrent neural networks. Depending on the choice of non-Ia SN models in both the simulated data sample and training sample, contamination ranges from 0.8-3.5 %, with the efficiency of the classification from 97.7-99.5 %. Using the Bayesian Estimation Applied to Multiple Species (BEAMS) framework and its extension 'BEAMS with Bias Correction' (BBC), we produce a redshift-binned Hubble diagram marginalised over contamination and corrected for selection effects and we use it to constrain the dark energy equation-of-state, $w$. Assuming a flat universe with Gaussian $\Omega_M$ prior of $0.311\pm0.010$, we show that biases on $w$ are $<0.008$ when using SuperNNova and accounting for a wide range of non-Ia SN models in the simulations. Systematic uncertainties associated with contamination are estimated to be at most $\sigma_{w, \mathrm{syst}}=0.004$. This compares to an expected statistical uncertainty of $\sigma_{w,\mathrm{stat}}=0.039$ for the DES-SN sample, thus showing that contamination is not a limiting uncertainty in our analysis. We also measure biases due to contamination on $w_0$ and $w_a$ (assuming a flat universe), and find these to be $<$0.009 in $w_0$ and $<$0.108 in $w_a$, hence 5 to 10 times smaller than the statistical uncertainties expected from the DES-SN sample.
Fichier principal
Vignette du fichier
stac1404.pdf (4.12 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03472049 , version 1 (15-02-2024)

Identifiants

Citer

M. Vincenzi, M. Sullivan, A. Möller, P. Armstrong, B.A. Bassett, et al.. The Dark Energy Survey Supernova Program: Cosmological biases from supernova photometric classification. Mon.Not.Roy.Astron.Soc., 2023, 518 (1), pp.1106-1127. ⟨10.1093/mnras/stac1404⟩. ⟨hal-03472049⟩
67 Consultations
7 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More