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

Resumen Técnico: Euclid: Mejora de la reconstrucción de la distribución de corrimiento al rojo utilizando una función de transferencia de profundo a amplio

Enunciado del Problema
La misión Euclid tiene como objetivo restringir la naturaleza de la energía oscura y la historia de la expansión del Universo mediante mediciones de cizallamiento cósmico. Lograr la precisión científica requerida exige una reconstrucción extremadamente precisa de la verdadera distribución de corrimiento al rojo, $n(z)$, para las galaxias en los bins tomográficos. El error sistemático sobre el corrimiento al rojo medio, $\sigma_{\langle z \rangle}$, debe satisfacer $\sigma_{\langle z \rangle} < 0.002(1+z)$ por bin.

Los métodos de calibración actuales dependen de muestras de referencia con corrimientos al rojo espectroscópicos para corregir los corrimientos al rojo fotométricos. Sin embargo, una fuente significativa de incertidumbre sistemática surge del desajuste en las propiedades fotométricas entre los campos de referencia profundos (Campos Auxiliares de Euclid, EAF) y la encuesta amplia superficial (Encuesta Amplia de Euclid, EWS). La EWS es aproximadamente dos magnitudes más superficial que los EAF, lo que conduce a diferentes relaciones señal-ruido (S/N) y a una dispersión distinta en el espacio de colores debido a las incertidumbres fotométricas. En consecuencia, fuentes idénticas observadas en configuraciones profundas y amplias ocupan regiones diferentes del Mapa Autoorganizado (SOM) utilizado para la calibración, lo que conduce a reconstrucciones de $n(z)$ sesgadas. Si bien los métodos de simulación basados en imágenes como Balrog (utilizado por el Dark Energy Survey) pueden abordar esto, son computacionalmente costosos y requieren modificaciones sustanciales en pipelines complejos.

Metodología
Los autores proponen un método a nivel de catálogo de Transferencia Multi-Banda (MPT) para degradar la fotometría de objetos de la muestra profunda de modo que imiten estadísticamente las observaciones de la encuesta amplia.

1. Construcción de la Función de Transferencia:

   • A diferencia de la transferencia simple de banda única (SPT) que añade ruido gaussiano independiente, la MPT preserva las correlaciones entre los flujos, los errores de flujo y a través de diferentes bandas.
   • Para un objeto de la muestra profunda con flujos $d_{X,i}$ y errores $\sigma_{X,i}$, el método identifica los vecinos más cercanos en el catálogo de la muestra amplia (utilizando un árbol k-d) basándose en el espacio de flujos.
   • Calcula una verosimilitud $L$ de que un objeto de la muestra amplia sea idéntico al de la muestra profunda, considerando la varianza combinada de ambas mediciones.
   • Se extrae un objeto de la muestra amplia basándose en estas verosimilitudes, y sus errores de flujo ($\tau_{X,i}$) se aplican al objeto profundo. Los nuevos flujos "tipo-amplio" se extraen de una distribución normal $N(d_{X,i}, \tau_{X,i}^2)$.
   • Este proceso asegura que la distribución de probabilidad multidimensional de la muestra degradada coincida con la muestra amplia, incluidas las correlaciones de error.

2. Función de Selección:

   • Se aplica una función de selección empírica a la muestra transformada para tener en cuenta el hecho de que las fuentes profundas tenues no serían detectadas en la encuesta amplia. Esto se deriva de la distribución de flujos del campo amplio.

3. Integración en el Pipeline de Calibración:

   • El método se integra en el marco de calibración basado en SOM (Masters et al. 2015).
   • Los autores prueban varios escenarios (A–G) para determinar la implementación óptima:
     • Escenario A: Método original de Masters et al. (Muestra profunda utilizada directamente).
     • Escenario C: El subconjunto de calibración profunda se transforma 50 veces utilizando MPT para crear una muestra "MPT-Mock", que luego se proyecta sobre un SOM entrenado con datos profundos.
     • Escenario F: Todo el pipeline (entrenamiento del SOM, definición de bins y proyección) utiliza la muestra MPT-Mock.
     • Escenario G: Los objetos se asignan a bins tomográficos basándose en corrimientos al rojo fotométricos individuales (siguiendo a Roster et al. 2025) utilizando la muestra MPT-Mock.

Contribuciones Clave

• Desarrollo de MPT: Un algoritmo a nivel de catálogo computacionalmente eficiente que degrada la fotometría profunda a condiciones tipo-amplio mientras preserva las correlaciones de error de flujo multi-banda.
• Validación frente a Balrog: El método se prueba contra el catálogo DES Y3 Balrog (inyección basada en imágenes). Los autores demuestran que la MPT recupera las propiedades estadísticas de la muestra amplia (distribuciones de flujo y error) con una distancia de Wasserstein comparable o mejor que Balrog, a pesar de ser significativamente más rápida (procesando 1 millón de fuentes en 8 bandas en ~5 minutos).
• Evaluación Sistemática de los Pasos de Calibración: Al aislar pasos específicos en el pipeline de calibración (entrenamiento del SOM, definición de bins y proyección de referencia), el artículo identifica que el factor más crítico para la precisión es asegurar que los objetos de referencia (muestra espectroscópica) estén distribuidos en el espacio de colores de la misma manera que los objetos de la encuesta amplia.

Resultados
Los métodos se probaron utilizando la Simulación de Galaxias Mock de la Flota de Euclid, que proporciona corrimientos al rojo de verdad fundamental.

• Métricas de Rendimiento: Se midió el sesgo del corrimiento al rojo medio ($\Delta z / (1+z)$) a través de diez bins tomográficos.
• Comparación de Escenarios:
  • Escenario A (Original): No cumplió con los requisitos de Euclid en la mayoría de los bins, con sesgos tan altos como $0.124/(1+z)$.
  • Escenario C (MPT en la proyección de referencia): Mostró una mejora significativa, con una probabilidad no despreciable de cumplir los requisitos en muchos bins.
  • Escenario G (MPT + Binning de corrimientos al rojo fotométricos individuales): Logró el mejor rendimiento, con una probabilidad de cumplir el requisito $\sigma_{\langle z \rangle} < 0.002(1+z)$ en todos los bins (oscilando entre el 31% y el 77% dependiendo del bin).
• Forma de la Distribución: Más allá de la media, el método reproduce con éxito la forma completa de la distribución $n(z)$. Para el bin $1.0 < z \le 1.25$, la varianza de la $n(z)$ reconstruida coincidió con la varianza real dentro del 1% (Escenarios C y F), mientras que el método sin corregir (Escenario B) mostró un error del 15% en la varianza.
• Cobertura del SOM: Utilizar MPT para generar múltiples realizaciones de la muestra de referencia redujo la fracción de celdas del SOM no pobladas (incalibrables) del 46.5% (solo muestra profunda) al 6.7% (Escenario C).

Significado y Afirmaciones
El artículo afirma que el método MPT proporciona una solución robusta y viable para la Liberación de Datos 1 (DR1) de Euclid y posteriores.

• Viabilidad: El enfoque demuestra que la reconstrucción precisa de $n(z)$ es alcanzable sin simulaciones de imágenes computacionalmente prohibitivas, siempre que las propiedades fotométricas de la muestra de referencia se degraden correctamente para coincidir con la profundidad de la encuesta.
• Perspectiva Crítica: El motor principal del éxito de la calibración no es necesariamente reentrenar el SOM con datos tipo-amplio (lo cual tuvo un rendimiento pobre en el Escenario E), sino asegurar que la proyección de la muestra de referencia sobre el SOM refleje la distribución de colores de la encuesta amplia.
• Aplicabilidad Más Amplia: El método preserva la estructura estadística completa de la distribución de corrimiento al rojo (incluyendo momentos superiores), lo que lo hace adecuado para aplicaciones más allá del lente débil, como el agrupamiento angular.
• Perspectiva Moderada: Los autores señalan que, aunque el método cumple con los requisitos para la DR1, serán necesarias mejoras adicionales (por ejemplo, mejores muestras de referencia) para las siguientes liberaciones de datos. El trabajo establece una base sólida para futuros pipelines de calibración.