Euclid. Properties and performance of the NISP signal estimator

Technische Zusammenfassung: Eigenschaften und Leistungsfähigkeit des NISP-Signalestimators

Problemstellung
Das NISP-Instrument (Near-Infrared Spectrometer and Photometer) der Euclid-Raumsonde unterliegt strengen Beschränkungen hinsichtlich der onboard verfügbaren Rechenressourcen und der Telemetriebandbreite. Um das enorme Datenvolumen zu bewältigen, das durch sein 16-Detektor-Mosaik (ca. 67 Millionen Pixel) generiert wird, setzt NISP einen Onboard-Signalestimator-Algorithmus ein, um Nahinfrarotdaten in Echtzeit zu verarbeiten. Dieser Algorithmus reduziert das Datenvolumen, indem er den Fluss und einen Qualitätsfaktor (QF) direkt auf den Data Processing Units (DPUs) schätzt, anstatt Rohdatenrahmen (Raw Frames) zur Erde zu senden.

Um die Hardwarebeschränkungen einzuhalten, stützt sich der Schätzer jedoch auf spezifische Vereinfachungen: Er arbeitet im Signaldifferenzraum, setzt eine diagonale Kovarianzmatrix voraus (unter Vernachlässigung von Off-Diagonal-Korrelationen), behandelt die Photonenrauschkomponente als freien Parameter und verwendet detektorgemittelte Werte für das Ausleserauschen sowie den Konversionsgewinn anstelle von pixelspezifischen Karten. Diese Approximationen führen potenziell zu systematischen Verzerrungen (Biases) bei der Flussabschätzung und beeinflussen die statistische Zuverlässigkeit des QF-Parameters, der zur Kennzeichnung von Anomalien wie kosmischen Strahlentreffern dient. Obwohl der Schätzer in vorangegangenen Arbeiten (Kubik et al. 2016b) theoretisch hergeleitet wurde, erforderte die Untersuchung seiner Leistungsfähigkeit unter tatsächlichen Flugbedingungen sowie die präzise Quantifizierung der durch Onboard-Approximationen eingeführten Biases weitere Untersuchungen.

Methodik
Diese Studie evaluiert den NISP-Signalestimator durch eine Kombination aus theoretischer Re-Analyse, Monte-Carlo-Simulationen (MC) und der empirischen Analyse früher Flugdaten.

1. Theoretische und Simulations-Analyse: Die Autoren untersuchten erneut die statistischen Grundlagen der im Schätzer verwendeten Likelihood-Funktion. Sie untersuchten die Gültigkeit der Gaußschen Approximation für Gruppendifferenzen, den Einfluss der Vernachlässigung von Off-Diagonal-Kovarianztermen und den „Folding Bias“, der bei niedrigen Flusswerten auftritt, wenn negative Gruppendifferenzen quadriert werden. MC-Simulationen wurden über verschiedene Flussregime (Dunkelstrom, Zodiakallicht und Flatfield) und Ausleserauschpegel hinweg durchgeführt, um das Verhalten des Signalestimators und des QF unter Idealbedingungen im Vergleich zu Bedingungen zu modellieren, die die Onboard-Datenverarbeitungs-Approximation (DPA) nachahmen.
2. Flugdaten-Analyse: Die Leistung wurde anhand von NISP Level 1 (LE1) Daten validiert, die während der Verifizierungsphase und der frühen Survey-Phasen (September 2023 – April 2024) gewonnen wurden. Dieser Datensatz umfasst Dunkelbelichtungen und wissenschaftliche Beobachtungen (spektroskopische Grisms und photometrische Filter).
3. Konstruktion des Referenzsignals: Um den Bias zu quantifizieren, ohne den wahren einfallenden Fluss a priori zu kennen, nutzten die Autoren „Science-Pixel Rawlines“ – Teilmengen von Full-Frame-Single-Readout-Daten, die für einen kleinen Bruchteil der Pixel zur Erde gesendet wurden. Sie wandten eine lineare kleinste-Quadrate-Methode (Least-Squares Fit, LSF) auf diese Rawlines an, um ein unverzerrtes Referenzsignal ($g_{LSF}$) zu erzeugen. Der Bias des Onboard-Schätzers wurde dann als Abweichung des Outputs des Schätzers von diesem LSF-Referenzsignal berechnet.
4. QF-Analyse: Die Verteilung des QF-Parameters wurde analysiert, um seine Sensitivität gegenüber der DPA und seine Fähigkeit zur Detektion von Nichtlinearitäten und kosmischen Strahlentreffern zu bewerten, wobei die Verteilungen der Flugdaten gegen theoretische $\chi^2$-Erwartungswerte verglichen wurden.

Wesentliche Beiträge

• Analytische Ableitung von Bias und Varianz: Die Arbeit leitet einen geschlossenen analytischen Ausdruck für den konstanten Bias des Signalestimators bei hohen Flussraten (Eq. 18) ab und liefert einen neuen, verbesserten analytischen Ausdruck für die Varianz des Schätzers (Eq. 19). Letzterer korrigiert frühere Approximationen, die Off-Diagonal-Kovarianzelemente vernachlässigt haben, und bietet eine genauere Unsicherheitsschätzung, insbesondere wenn die Kovarianzmatrix nicht vorab berechnet wird.
• Quantifizierung der Effekte der Datenverarbeitungs-Approximation (DPA): Die Studie isoliert und quantifiziert den systematischen Bias, der durch die Verwendung von detektorgemittelten Werten für das Ausleserauschen und den Konversionsgewinn anstelle von pixelspezifischen Karten entsteht. Sie zeigt, dass diese Approximationen zwar einen Bias einführen, dessen Größenordnung jedoch vorhersagbar und kontrollierbar ist.
• Statistische Charakterisierung des QF: Die Autoren leiten den Erwartungswert und die Varianz des QF-Parameters ab und bestätigen, dass dieser einer skalierten $\chi^2$-Verteilung folgt. Sie stellen die Beziehung zwischen dem QF-Bias und dem Signal-Estimator-Bias her und zeigen, dass der QF-Erwartungswert unter Idealbedingungen $n_g - 2$ beträgt.
• Validierung der Flugleistung: Die Arbeit liefert die erste umfassende Validierung des NISP-Signalestimators unter Verwendung von In-Flight-Daten und bestätigt, dass die theoretischen Modelle und Simulationen das Verhalten des Instruments korrekt vorhersagen.

Ergebnisse

• Signal-Bias: Für 99 % des NISP-Pixelarrays liegt der systematische Bias des Signalestimators über den relevanten Flussbereich ($f \gtrsim 0.01 \, e^- s^{-1}$) unter $0.01 \, e^- s^{-1}$. Dieser Bias liegt weit innerhalb des Rauschbudgets des geschätzten Signals.
• DPA-Einfluss: Der durch die Verwendung von detektorgemittelten Ausleserauschwerten ($\sigma_{R, DPU}$) induzierte Bias steigt mit der Abweichung des tatsächlichen Rauschens eines Pixels vom Durchschnitt an. Für die überwiegende Mehrheit der Pixel bleibt dieser Effekt jedoch vernachlässigbar. Die Analyse bestätigt, dass der Bias in spezifischen Regimen flussabhängig ist, aber bei hohem Fluss weitgehend konstant bleibt.
• Genauigkeit der Varianz: Der neu abgeleitete Varianzschätzer (Eq. 19) zeigt eine perfekte Übereinstimmung mit der beobachteten Dispersion für Flüsse oberhalb von $0.5 \, e^- s^{-1}$, unabhängig vom Ausleserauschen und dem Auslesemodus.
• QF-Leistung: Der QF-Parameter identifiziert Anomalien effektiv. Im spektroskopischen Modus folgt die QF-Verteilung bei hohem Fluss der erwarteten $\chi^2$-Verteilung. Bei niedrigeren Flüssen treten Abweichungen aufgrund der DPA und der Dominanz des Ausleserauschens auf. Die Studie bestätigt, dass der QF hochsensibel auf kosmische Strahlentreffer reagiert, die sich als Ausreißer in der Verteilung manifestieren. Der Anteil der Pixel, die allein durch die DPA als Ausreißer markiert werden, liegt im spektroskopischen Modus unter 1 % und im photometrischen Modus unter Dunkelbedingungen bei bis zu ~3,5 %, wobei diese von durch Weltraumwetter verursachten Ausreißern unterscheidbar sind.
• Weltraumwetter: Die Flugdaten zeigen, dass der Rand der QF-Verteilung signifikant durch die Strahlungsumgebung im Weltraum (solare energetische Partikel) beeinflusst wird, was während solarer Ereignisse einen großen Prozentsatz der Pixel markieren kann – ein Faktor, der in bodengestützten Simulationen nicht vorhanden war.

Bedeutung
Die Arbeit kommt zu dem Schluss, dass der NISP-Signalestimator im Flug robust arbeitet und die strengen Datenqualitätsanforderungen der Euclid-Mission erfüllt. Die Ergebnisse bestätigen frühere theoretische Resultate und zeigen, dass die für die Onboard-Verarbeitung erforderlichen Vereinfachungen keine unkontrollierten Systematiken einführen. Die abgeleiteten analytischen Korrekturen für Bias und Varianz bieten dem Science Ground Segment (SGS) einen robusten Rahmen zur genauen Interpretation der Daten. Darüber hinaus validiert die Studie den QF-Parameter als zuverlässiges Diagnosewerkzeug für die Datenqualität, das in der Lage ist, zwischen instrumentellen Approximationen und echten physikalischen Anomalien wie kosmischen Strahlentreffern zu unterscheiden. Die Übereinstimmung zwischen Flugdaten und Simulationen deutet darauf hin, dass die theoretische Modellierung des Signalestimators fundiert ist, was die Ableitung von Korrekturen erster Ordnung für systematische Biases ermöglicht, wo dies notwendig ist.