Optimizing Deep Learning Photometric Redshifts for the Roman Space Telescope with HST/CANDELS

ملخص تقني: تحسين تقدير الإزاحة الحمراء الفوتومترية باستخدام التعلم العميق لتلسكوب رومان الفضائي باستخدام بيانات HST/CANDELS

بيان المشكلة
سيقوم تلسكوب "نانسي غريس رومان" الفضائي بتوليد كميات هائلة من الصور عالية الدقة والعميقة في الأشعة تحت الحمراء القريبة، مما يستلزم تقديرات دقيقة للإزاحة الحمراء الفوتومترية (photo-z) لمئات الملايين من المجرات لدراسة علم الكونيات، وتطور المجرات، والظواهر العابرة. وبينما أظهرت طرق التعلم العميق (DL) التي تستخدم معلومات مستوى البكسل أداءً فائقاً على طرق مطابقة النماذج (template-fitting) وطرق التعلم الآلي (ML) الكلاسيكية للصور الأرضية ذات الإزاحة الحمراء المنخفضة، فإن فعاليتها على البيانات الفضائية العميقة وذات الإز่า الحمراء العالية ($z \sim 3$) لا تزال غير مختبرة. ويتمثل التحدي الحرج في ندرة تسميات الإزاحة الحمراء الطيفية (spec-z) للمصادر الخافتة؛ حيث ستتجاوز صور "رومان" بمراحل عمليات المتابعة الطيفية الخاصة بها. وبناءً على ذلك، هناك حاجة لتحديد ما إذا كانت خوارزميات التعلم العميق قادرة بفعالية على الاستفادة من وفرة الصور غير المصنفة إلى جانب البيانات المصنفة المحدودة لتحقيق الدقة المثلى للإزاحة الحمراء الفوتومترية في هذا النطاق.

المنهجية
استخدم المؤلفون مسح HST CANDELS كبديل لبيانات "رومان"، حيث تم اختيار 99,505 مصدراً ذات تسميات إزاحة حمراء موثوقة ($z_{ref}$) مستمدة من البيانات الطيفية، وبيانات الجريزم (grism)، والقياسات الضوئية متعددة النطاقات. تم تقسيم مجموعة البيانات إلى مجموعات فرعية مصنفة (تدريب، تحقق، اختبار) وغير مصنفة. وقارنت الدراسة أربعة نهج متميزة:

1. الأسس الكلاسيكية:

   • مطابقة النماذج (Template Fitting): استخدام LePHARE، الذي يطابق القياسات الضوئية المرصودة مع نماذج الطيف الطاقي (SED).
   • التعلم الآلي للقياس الضوئي (ML Photometry): شبكة إدراك متعددة الطبقات (MLP) خاضعة للإشراف الكامل، مدربة على الألوان والقدر المطلق المتكاملة.

2. نهج التعلم العميق:

   • الشبكة العصبية الالتفافية (CNN) خاضعة للإشراف الكامل: بنية ConvNeXt مدربة فقط على الصور المصنفة للتنبؤ بالإزاحة الحمراء مباشرة من بيانات البكسل.
   • الشبكة العصبية الالتفافية (CNN) ذاتية الإشراف: نهج ذو مرحلتين يستخدم التعلم التبايني (MoCo) للتدريب المسبق على جميع الصور غير المصنفة لتعلم التمثيلات الكامنة، يليه ضبط دقيق على المجموعة المصنفة للتنبؤ بالإزاحة الحمراء.
   • الشبكة العصبية الالتفافية (CNN) شبه الإشرافية (PITA): خوارزمية "الاستدلال الفوتومتري مع خوارزمية المهام الثلاثية" (Photo-z Inference with a Triple-task Algorithm) التي تعمل على تحسين ثلاث دوال خسارة بشكل متزامن:
     • خسارة التباين ($L_{contrastive}$): تُتعلم من جميع الصور (المصنفة وغير المصنفة) لالتقاط السمات المورفولوجية.
     • خسارة اللون ($L_{color}$): تُتعلم من جميع الصور لضمان أن الفضاء الكامن يرمز للألوان الفوتومترية.
     • خسارة الإزاحة الحمراء ($L_{z}$): تُتعلم فقط من الصور المصنفة لمحاذاة الفضاء الكامن مع قيم الإزاحة الحمراء.

استخدم المؤلفون تقنية تقريب المانيفولد الموحد والاسقاط (UMAP) لتصور الفضاءات الكامنة التي أنتجتها النماذج ذاتية الإشراف وشبه الإشرافية، وتحليل مدى جودة ترميز هذه الفضاءات للقدر، واللون، والمورفولوجيا، والإزاحة الحمراء.

النتائج الرئيسية

• مقايسات الأداء: حققت خوارزمية PITA شبه الإشرافية أفضل أداء عبر جميع المقايسات (الانحياز، والانحراف المعياري الوسيط المعياري $\sigma_{NMAD}$، ونسبة القيم المتطرفة $f_{outlier}$) لكل من المصادر الساطعة ($m_{F160W} < 22$) والخافتة ($m_{F160W} < 25$). مقارنة بأساس MLP الفوتومتري، قللت PITA من الانحياز بنسبة 34%، ومن $\sigma_{NMAD}$ بنسبة 14%، ومن نسبة القيم المتطرفة $f_{outlier}$ بنسبة 17% لمجموعة الاختبار الكاملة، مع تحسينات أكبر للمصادر الساطعة.
• التعلم العميق مقابل القياس الضوئي: تفوقت الشبكة العصبية الالتفافية (CNN) خاضعة الإشراف الكامل على كل من مطابقة النماذج وطرق التعلم الآلي المعتمدة على القياس الضوئي فقط، مما يؤكد أن معلومات مستوى البكسل تحتوي على بيانات إضافية ذات صلة بالإزاحة الحمراء تتجاوز التدفق المتكامل، حتى بالنسبة للمجرات الخافتة ذات الإزاحة الحمراء العالية.
• فشل الإشراف الذاتي الصرف: النهج القائم على التعلم التبايني ذاتي الإشراف، رغم نجاحه في دراسات سابقة ذات إزاحة حمراء منخفضة، كان أداؤه أقل من CNN خاضعة للإشراف الكامل في هذا النطاق ذي الإزاحة الحمراء العالية. كشفت تصورات UMAP أن الفضاء الكامن ذاتي الإشراف يرمز أساساً للقدر والحجم (المورفولوجيا) لكنه فشل في التقاط التدرجات السلسة للون والإزاحة الحمراء، مما أدى إلى تقلبات كبيرة في استدلال الإزاحة الحمراء الفوتومترية.
• القابلية للتوسع مع ندرة التسميات: أظهرت PITA أداءً قوياً حتى عندما تم تقليل حجم مجموعة التدريب المصنفة بشكل كبير. وخلافاً للنماذج خاضعة الإشراف الكامل التي تتدهور بسرعة مع قلة التسميات، حافظت POTA على دقة متفوقة من خلال الاستفادة من البيانات غير المصنفة لتعلم سمات معلوماتية (عبر خسائر التباين واللون) بينما تستخدم التسميات الشحيحة لمحاذاة الفضاء الكامن لعملية الانحدار.

الأهمية والادعاءات
يزعم البحث أنه بالنسبة لتلسكوب رومان الفضائي، حيث ستكون التسميات الطيفية نادرة لمعظم المصادر (خاصة عند الإزاحة الحمراء العالية والقدر الخافت)، فإن التعلم العميق شبه الإشرافي هو الاستراتيجية المثلى. ويجادل المؤلفون بأن الطرق ذاتية الإشراف الصرفة قد تفشل في ترميز الخصائص الفيزيائية المحددة (اللون والإزاحة الحمراء) اللازمة لاستدلال الإزحة الحمراء الفوتومترية في البيانات الفضائية العميقة، لأن التباين المهيمن في بيانات البكسل مدفوع بالسطوع والمورفولوجيا بدلاً من اللون.

من خلال تقديم خوارزمية PITA، يثبت المؤلفون أن دمج المعرفة بالمجال — وتحديداً التنبؤ الصريح بالألوان الفوتومترية جنباً إلى جنب مع الإزاحة الحمراء — يوجه الفضاء الكامن ليكون ذا دلالة فيزيائية. وهذا يسمح بالاستكمال السلس بين الإزاحات الحمراء الشحيحة للتدريب، مما يتيح تقديرات دقيقة للإزاحة الحمراء الفوتومترية لكل من المصادر الساطعة (الغنية بالتسميات) والخافتة (الشحيحة بالتسميات). وتخلص الدراسة إلى أن المسوح المستقبلية يجب أن تستخدم النهج شبه الإشرافية التي تجمع بين بيانات الصور غير المصنفة والقيود المحددة للمجال (مثل اللون) لتعظيم العائد العلمي من مهام التصوير العميق.