Euclid: Improving redshift distribution reconstruction using a deep-to-wide transfer function

Technische Zusammenfassung: Euclid: Verbesserung der Rekonstruktion der Rotverschiebungsverteilung mittels einer Deep-to-Wide-Transferfunktion

Problemstellung
Die Euclid-Mission zielt darauf ab, die Natur der Dunklen Energie und die Expansionsgeschichte des Universums durch Messungen des kosmischen Scherens zu bestimmen. Die Erreichung der erforderlichen wissenschaftlichen Präzision erfordert eine äußerst genaue Rekonstruktion der wahren Rotverschiebungsverteilung, $n(z)$, für Galaxien in tomographischen Bins. Der systematische Fehler des mittleren Rotverschiebungswerts, $\sigma_{\langle z \rangle}$, muss pro Bin die Bedingung $\sigma_{\langle z \rangle} < 0.002(1+z)$ erfüllen.

Aktuelle Kalibrierungsmethoden verlassen sich auf Referenzstichproben mit spektroskopischen Rotverschiebungen, um photometrische Rotverschiebungen zu korrigieren. Eine signifikante Quelle systematischer Unsicherheit ergibt sich jedoch aus der Diskrepanz der photometrischen Eigenschaften zwischen den tiefen Referenzfeldern (Euclid Auxiliary Fields, EAFs) und der flachen Weitfeld-Beobachtung (Euclid Wide Survey, EWS). Das EWS ist etwa zwei Magnituden flacher als die EAFs, was zu unterschiedlichen Signal-zu-Rausch-Verhältnissen (S/N) und einer charakteristischen Streuung im Farbraum aufgrund photometrischer Unsicherheiten führt. Folglich besetzen identische Quellen, die in tiefen und weiten Konfigurationen beobachtet werden, unterschiedliche Regionen der für die Kalibrierung verwendeten Self-Organising Map (SOM), was zu verzerrten $n(z)$-Rekonstruktionen führt. Zwar können simulationsbasierte Methoden auf Bilddaten wie Balrog (von der Dark Energy Survey verwendet) dieses Problem adressieren, sie sind jedoch rechenintensiv und erfordern erhebliche Änderungen an komplexen Verarbeitungspipelines.

Methodik
Die Autoren schlagen eine katalogbasierte Multi-Passband-Transfer (MPT)-Methode vor, um die Photometrie von Objekten der Tiefstichprobe so zu degradieren, dass sie statistisch Beobachtungen der Weitfeld-Beobachtung nachahmen.

1. Konstruktion der Transferfunktion:

   • Im Gegensatz zur einfachen Single-Passband-Transfer (SPT), die unabhängiges Gaußsches Rauschen hinzufügt, erhält die MPT die Korrelationen zwischen Flusswerten, Flussfehlern und über verschiedene Passbänder hinweg.
   • Für ein Objekt der Tiefstichprobe mit Flusswerten $d_{X,i}$ und Fehlern $\sigma_{X,i}$ identifiziert die Methode die nächsten Nachbarn im Katalog der Weitstichprobe (unter Verwendung eines k-d-Baums) basierend auf dem Flussraum.
   • Es wird eine Likelihood $L$ berechnet, dass ein Objekt der Weitstichprobe identisch mit dem der Tiefstichprobe ist, unter Berücksichtigung der kombinierten Varianz beider Messungen.
   • Ein Objekt der Weitstichprobe wird basierend auf diesen Likelihoods ausgewählt, und seine Flussfehler ($\tau_{X,i}$) werden auf das Tiefobjekt angewendet. Die neuen „weitfeldähnlichen" Flusswerte werden aus einer Normalverteilung $N(d_{X,i}, \tau_{X,i}^2)$ gezogen.
   • Dieser Prozess stellt sicher, dass die mehrdimensionale Wahrscheinlichkeitsverteilung der degradierten Stichprobe mit der der Weitstichprobe übereinstimmt, einschließlich der Fehlerkorrelationen.

2. Selektionsfunktion:

   • Eine empirische Selektionsfunktion wird auf die transformierte Stichprobe angewendet, um der Tatsache Rechnung zu tragen, dass schwache Tiefquellen in der Weitfeld-Beobachtung nicht detektiert würden. Diese wird aus der Flussverteilung des Weitfelds abgeleitet.

3. Integration in die Kalibrierungspipeline:

   • Die Methode wird in das auf SOM basierende Kalibrierungsframework integriert (Masters et al. 2015).
   • Die Autoren testen mehrere Szenarien (A–G), um die optimale Implementierung zu bestimmen:
     • Szenario A: Originalmethode von Masters et al. (Tiefstichprobe wird direkt verwendet).
     • Szenario C: Der Kalibrierungs-Teil der Tiefstichprobe wird 50-mal mittels MPT transformiert, um eine „MPT-Mock"-Stichprobe zu erstellen, die anschließend auf eine für die Tiefstichprobe trainierte SOM projiziert wird.
     • Szenario F: Die gesamte Pipeline (SOM-Training, Bin-Definition und Projektion) verwendet die MPT-Mock-Stichprobe.
     • Szenario G: Objekte werden basierend auf individuellen photo-z-Werten (nach Roster et al. 2025) den tomographischen Bins zugeordnet, unter Verwendung der MPT-Mock-Stichprobe.

Hauptbeiträge

• Entwicklung von MPT: Ein rechnerisch effizienter, katalogbasierter Algorithmus, der die Photometrie der Tiefstichprobe auf weitfeldähnliche Bedingungen degradiert und dabei Korrelationen zwischen Flussfehlern über mehrere Passbänder hinweg erhält.
• Validierung gegen Balrog: Die Methode wird gegen den DES Y3 Balrog-Katalog (injektion auf Bilddatenbasis) getestet. Die Autoren zeigen, dass MPT die statistischen Eigenschaften der Weitstichprobe (Fluss- und Fehlerverteilungen) mit einer Wasserstein-Distanz wiederherstellt, die mit Balrog vergleichbar ist oder diese sogar übertrifft, obwohl sie deutlich schneller ist (Verarbeitung von 1 Million Quellen in 8 Bändern in ca. 5 Minuten).
• Systematische Evaluierung der Kalibrierungsschritte: Durch die Isolierung spezifischer Schritte in der Kalibrierungspipeline (SOM-Training, Bin-Definition und Referenzprojektion) identifiziert die Arbeit, dass der kritischste Faktor für die Genauigkeit darin besteht, sicherzustellen, dass die Referenzobjekte (spektroskopische Stichprobe) im Farbraum genau so verteilt sind wie die Objekte der Weitfeld-Beobachtung.

Ergebnisse
Die Methoden wurden unter Verwendung der Euclid Flagship Mock Galaxy Simulation getestet, die wahre Rotverschiebungen bereitstellt.

• Leistungsmetriken: Die mittlere Rotverschiebungsverzerrung ($\Delta z / (1+z)$) wurde über zehn tomographische Bins gemessen.
• Szenario-Vergleich:
  • Szenario A (Original): Erfüllte in den meisten Bins die Anforderungen von Euclid nicht, mit Verzerrungen von bis zu $0.124/(1+z)$.
  • Szenario C (MPT auf Referenzprojektion): Zeigte eine signifikante Verbesserung, mit einer nicht zu vernachlässigenden Wahrscheinlichkeit, die Anforderungen in vielen Bins zu erfüllen.
  • Szenario G (MPT + individuelle photo-z-Bin-Zuweisung): Erzielte die beste Leistung, mit einer Wahrscheinlichkeit, die Anforderung $\sigma_{\langle z \rangle} < 0.002(1+z)$ in allen Bins zu erfüllen (reichend von 31 % bis 77 %, je nach Bin).
• Verteilungsform: Über den Mittelwert hinaus reproduziert die Methode erfolgreich die vollständige Form der $n(z)$-Verteilung. Für den Bin $1.0 < z \le 1.25$ entsprach die Varianz der rekonstruierten $n(z)$ der wahren Varianz innerhalb von 1 % (Szenario C und F), während die unkorrigierte Methode (Szenario B) einen Fehler von 15 % in der Varianz aufwies.
• SOM-Abdeckung: Die Verwendung von MPT zur Generierung mehrerer Realisierungen der Referenzstichprobe reduzierte den Anteil unbesetzter (nicht kalibrierbarer) SOM-Zellen von 46,5 % (nur Tiefstichprobe) auf 6,7 % (Szenario C).

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die MPT-Methode eine robuste und machbare Lösung für den Euclid Data Release 1 (DR1) und darüber hinaus bietet.

• Machbarkeit: Der Ansatz zeigt, dass eine genaue $n(z)$-Rekonstruktion ohne rechnerisch untragbare Bildsimulationen erreichbar ist, sofern die photometrischen Eigenschaften der Referenzstichprobe korrekt degradiert werden, um der Beobachtungstiefe zu entsprechen.
• Kritische Erkenntnis: Der primäre Treiber für den Erfolg der Kalibrierung ist nicht unbedingt das Neutraining der SOM auf weitfeldähnlichen Daten (was in Szenario E schlecht abschnitt), sondern vielmehr die Sicherstellung, dass die Projektion der Referenzstichprobe auf die SOM die Farbbildverteilung der Weitfeld-Beobachtung widerspiegelt.
• Breitere Anwendbarkeit: Die Methode erhält die vollständige statistische Struktur der Rotverschiebungsverteilung (einschließlich höherer Momente), was sie für Anwendungen über die schwache Linsung hinaus geeignet macht, wie z. B. für die Winkelkorrelation.
• Bescheidene Perspektive: Die Autoren weisen darauf hin, dass die Methode zwar die Anforderungen für DR1 erfüllt, für folgende Datenfreigaben jedoch weitere Verbesserungen (z. B. bessere Referenzstichproben) notwendig sein werden. Die Arbeit legt ein solides Fundament für zukünftige Kalibrierungspipelines.