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.
Marina Ramires Masson (Wed,) studied this question.