将 SALT3 模型训练过程中的不确定性传递至宇宙学约束

Ia 型超新星（SNe Ia）是可标准化烛光，必须经验建模以给出宇宙学约束。为理解该建模对模型训练过程变化的稳健性，我们构建端到端流水线以测试近期开发的 SALT3 模型。我们探究移除2000年代前低-$z$ 或校准不良的 $U$ 波段数据、调整 SN Ia 光谱的数量与保真度，以及使用模型无关框架模拟训练数据的后果。我们发现 SALT3 模型曲面因具有额外光谱和 $U$ 波段数据而改善，且若宿主星系污染未从 SN 光谱中充分去除，可偏移约 $5\%$。我们发现所得 $w$ 测量值在本工作探索的所有训练变体中一致在 $2.5\%$ 以内，最大偏移来自向训练光谱添加颜色相关定标偏移或宿主星系污染的变体，以及移除2000年代前低-$z$ 数据的变体。这些结果表明 SALT3 模型训练过程对训练数据中合理变化大体稳健，但必须额外关注训练过程中光谱数据的处理。我们还发现训练过程对输入数据的颜色分布敏感；若颜色分布不够宽，所得 $w$ 测量可偏置约2%。未来低-$z$ 数据，特别是 $u$ 波段观测和高信噪比 SN Ia 光谱，将在未来数年显著改进 SN Ia 建模。