Enhancing weak lensing redshift distribution characterization by optimizing the Dark Energy Survey Self-Organizing Map Photo-z method

Resumen Técnico: Mejora de la caracterización de la distribución de desplazamientos al rojo en el lensing débil mediante la optimización del método de mapas autoorganizados de fotometría de desplazamiento al rojo del Dark Energy Survey

Planteamiento del problema
La caracterización precisa de la distribución de desplazamientos al rojo, $n(z)$, de los conjuntos de galaxias es un prerrequisito crítico para los estudios cosmológicos de estructura a gran escala, particularmente para los análisis de lensing gravitacional débil. Los sondeos fotométricos, aunque capaces de obtener imágenes de un número vasto de galaxias, sufren de la incapacidad de medir distancias precisas de forma directa. En su lugar, dependen de desplazamientos al rojo fotométricos (photo-z) inferidos a partir de flujos de banda ancha. Un desafío principal en este dominio es la degeneración en la relación color-desplazamiento al rojo, lo que impide una determinación única del desplazamiento al rojo. Además, las muestras de fuentes de lensing son típicamente más tenues, profundas y azules que las galaxias rojas brillantes utilizadas frecuentemente para la calibración, lo que hace que sus distribuciones de desplazamiento al rojo sean más difíciles de caracterizar con precisión. Una caracterización inexacta de $n(z)$ introduce errores sistemáticos que pueden sesgar las restricciones de los parámetros cosmológicos, tales como los de energía oscura y materia oscura.

Metodología
Este trabajo investiga mejoras a la metodología de Mapas Autoorganizados (SOM) utilizada para la estimación de photo-z (SOMPZ) en el contexto del Dark Energy Survey (DES). El estudio utiliza los datos del DES Año 3 (Y3) como banco de pruebas para prepararse para el conjunto de datos más profundo del DES Año 6 (Y6). El enfoque SOMPZ estándar emplea dos SOM: un "Deep SOM" entrenado con datos de campos profundos (incluyendo desplazamientos al rojo espectroscópicos) y un "Wide SOM" entrenado con el catálogo de fuentes de campo amplio. La distribución de desplazamientos al rojo de la muestra amplia se infiere mapeando las galaxias de campo amplio al Deep SOM mediante una función de transferencia derivada de inyecciones de Balrog (galaxias simuladas insertadas en imágenes reales).

Los autores proponen y prueban tres estrategias específicas para mejorar el marco existente de SOMPZ de Y3:

1. Reemplazo Algorítmico (SOMF): Reemplazar el algoritmo SOM estándar (que asume datos de entrenamiento ideales) con el algoritmo SOMF propuesto por Sánchez & Raveri et al. (2020). El SOMF está diseñado para manejar las incertidumbres de medición en galaxias tenues mediante la redefinición de la métrica de distancia y las reglas de actualización de pesos. Convierte los flujos a unidades de relación señal-ruido (SNR) y utiliza una métrica de distancia que transiciona entre la distancia euclidiana en flujo lineal (bajo SNR) y log-flujo (alto SNR), reduciendo así la sensibilidad al ruido y a los valores atípicos.
2. Inclusión de la banda $g$: Incorporar información de flujo de la banda $g$ en el entrenamiento y la asignación del Wide SOM. Aunque la banda $g$ fue excluida de las mediciones de forma del lensing débil de Y3 debido a problemas de calibración de la Función de Dispersión de Punto (PSF), los autores prueban su utilidad puramente para la estimación del desplazamiento al rojo fotométrico, hipotetizando que la información de color adicional ayudará a restringir mejor los bins de desplazamiento al rojo.
3. Inclusión del Desplazamiento al Rojo como Característica: Un enfoque poco convencional donde los desplazamientos al rojo espectroscópicos (cuando están disponibles) se añaden como una característica explícita en el vector de entrada para el Deep SOM. Esto pone a prueba si el proporcionar explícitamente la variable objetivo durante el proceso de agrupamiento no supervisado mejora el $n(z)$ resultante, a pesar del riesgo de sobreajuste o de violar la naturaleza no supervisada del método.

Resultados Clave
El análisis compara los métodos modificados contra los resultados fiduciarios de Y3 SOMPZ utilizando los mismos conjuntos de datos subyacentes (muestras Wide, Deep, Redshift y Balrog).

• Solapamiento de Bins de Desplazamiento al Rojo: La métrica principal de éxito es la reducción del solapamiento entre los bins tomográficos de desplazamiento al rojo, lo que minimiza la contaminación de la señal entre bins.
  • Estrategia 1 (SOMF): Cambiar al algoritmo SOMF por sí solo redujo la desviación estándar mediana de la distribución de desplazamiento al rojo por celda aproximadamente un 20% en comparación con el Y3 SOM. Resultó en una reducción del 3% en el solapamiento para el par de bins 0-1.
  • Estrategia 2 (Banda $g$): Añadir la banda $g$ al fiduciario Y3 SOM redujo el solapamiento en un 23% para el par de bins 0-1.
  • Estrategia Combinada (SOMF + Banda $g$): La combinación del algoritmo SOMF con la información de la banda $g$ produjo las mejoras más significativas. Esta combinación redujo el solapamiento entre el par de bins 1-3 en un 66% y el par 1-2 en un 33% en comparación con el fiduciario Y3 SOM usando solo bandas $riz$. Las distribuciones de $n(z)$ resultantes exhibieron picos más agudos y bins mejor definidos.
• Desplazamiento al Rojo como Característica: La tercera estrategia, añadir el desplazamiento al rojo como una característica de entrada, arrojó resultados inferiores comparados con el método fiduciario y fue consecuentemente abandonada.
• Impacto Cosmológico: El artículo señala que reemplazar el algoritmo SOM requiere una reconstrucción completa del vector de datos, incluyendo estadísticas de 2 puntos y matrices de covarianza. Mientras que el algoritmo SOMF con bandas $riz$ fue totalmente propagado a las restricciones de parámetros cosmológicos (plano $S_8 - \Omega_m$), la inclusión de la banda $g$ no pudo ser totalmente propagada a los parámetros cosmológicos en este trabajo debido a la falta de mediciones de forma en la banda $g$ en Y3. En su lugar, se utilizaron vectores de datos simulados para comparar los contornos, indicando que las mejoras en los bins de desplazamiento al rojo estrecharían las restricciones.

Significancia y Reivindicaciones
Los autores afirman que sus hallazgos demuestran que optimizar la metodología SOM puede mejorar significativamente la caracterización de las distribuciones de desplazamiento al rojo del lensing débil sin requerir nuevos datos observacionales. Al combinar el algoritmo SOMF (que tiene en cuenta los errores de medición) con la inclusión de la información de la banda $g$, el estudio logró reducir el solapamiento de los bins de desplazamiento al rojo en los datos de DES Y3 hasta en un 66%.

El artículo posiciona estos resultados como un paso crítico hacia el análisis final de DES Año 6 y futuros sondeos de Etapa IV como el Observatorio de Rubin y Euclid. Los autores argumentan que a medida que los errores estadísticos disminuyen en conjuntos de datos más grandes, la robustez de la metodología se vuelve primordial. El hecho de que diferentes implementaciones de SOM (Y3 vs. SOMF) produzcan conclusiones cosmológicas consistentes aumenta la confianza en el método. Además, el éxito de la integración de la banda $g$ para la estimación de photo-z (incluso si aún no se utiliza para la medición de la forma) motiva la importancia de PSFs bien calibradas en esta banda para futuros análisis, donde se espera que estos datos sean utilizables tanto para la medición de la forma como para la estimación del desplazamiento al rojo. El trabajo sienta las bases para lograr las restricciones de nivel sub-por ciento en la distribución media del desplazamiento al rojo requeridas para las próximas generaciones de sondeos cosmológicos.