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

Resumen Técnico: Optimización de los Corrimientos al Rojo Fotométricos de Aprendizaje Profundo para el Telescopio Espacial Roman con HST/CANDELS

Enunciado del Problema
El Telescopio Espacial Nancy Grace Roman generará grandes cantidades de imágenes de infrarrojo cercano profundas y de alta resolución, lo que requiere estimaciones precisas de corrimientos al rojo fotométricos (photo-z) para cientos de millones de galaxias con el fin de estudiar la cosmología, la evolución de las galaxias y los transitorios. Si bien los métodos de aprendizaje profundo (DL) que utilizan información a nivel de píxel han demostrado un rendimiento superior frente a los métodos tradicionales de ajuste de plantillas y de aprendizaje automático (ML) clásico para imágenes terrestres de bajo corrimiento al rojo, su eficacia en datos espaciales tenues y de alto corrimiento al rojo ($z \sim 3$) permanece sin probar. Un desafío crítico es la escasez de etiquetas de corrimiento al rojo espectroscópico (spec-z) para fuentes tenues; las imágenes de Roman superarán con creces su seguimiento espectroscópico. En consecuencia, existe la necesidad de determinar si los algoritmos de DL pueden aprovechar eficazmente la abundancia de imágenes no etiquetadas junto con datos etiquetados limitados para lograr una precisión óptima de photo-z en este régimen.

Metodología
Los autores utilizaron la encuesta CANDELS del Telescopio Espacial Hubble (HST) como proxy para los datos de Roman, seleccionando 99.505 fuentes con etiquetas de corrimiento al rojo fiables ($z_{ref}$) derivadas de espectroscopía, datos de rejilla (grism) y fotometría multibanda. El conjunto de datos se dividió en subconjuntos etiquetados (entrenamiento, validación, prueba) y no etiquetados. El estudio comparó cuatro enfoques distintos:

1. Líneas Base Clásicas:

   • Ajuste de Plantillas: LePHARE, ajustando la fotometría observada a plantillas de distribución de energía espectral (SED).
   • ML Fotométrico: Una Perceptrón Multicapa (MLP) totalmente supervisada entrenada sobre colores y magnitudes fotométricas integradas.

2. Enfoques de Aprendizaje Profundo:

   • CNN Totalmente Supervisada: Una arquitectura ConvNeXt entrenada únicamente con imágenes etiquetadas para predecir el corrimiento al rojo directamente a partir de datos de píxeles.
   • CNN Auto-supervisada: Un enfoque de dos etapas que utiliza aprendizaje contrastivo (MoCo) para pre-entrenar en todas las imágenes no etiquetadas y aprender representaciones latentes, seguido de un ajuste fino en el subconjunto etiquetado para la predicción del corrimiento al rojo.
   • CNN Semi-supervisada (PITA): Un novedoso algoritmo de "Inferencia de Photo-z con un Algoritmo de Triple Tarea" que optimiza conjuntamente tres funciones de pérdida simultáneamente:
     • Pérdida Contrastiva ($L_{contrastive}$): Aprendida de todas las imágenes (etiquetadas y no etiquetadas) para capturar características morfológicas.
     • Pérdida de Color ($L_{color}$): Aprendida de todas las imágenes para asegurar que el espacio latente codifique los colores fotométricos.
     • Pérdida de Corrimiento al Rojo ($L_{z}$): Aprendida únicamente de imágenes etiquetadas para alinear el espacio latente con los valores de corrimiento al rojo.

Los autores emplearon la Aproximación y Proyección de Variedad Uniforme (UMAP) para visualizar los espacios latentes generados por los modelos auto-supervisados y semi-supervisados, analizando qué tan bien estos espacios codificaban la magnitud, el color, la morfología y el corrimiento al rojo.

Resultados Clave

• Métricas de Rendimiento: El algoritmo semi-supervisado PITA logró el mejor rendimiento en todas las métricas (sesgo, desviación absoluta mediana normalizada $\sigma_{NMAD}$ y fracción de valores atípicos $f_{outlier}$) tanto para fuentes brillantes ($m_{F160W} < 22$) como tenues ($m_{F160W} < 25$). En comparación con la línea base de ML fotométrico, PITA redujo el sesgo en un 34%, $\sigma_{NMAD}$ en un 14% y $f_{outlier}$ en un 17% para el conjunto de prueba completo, con mejoras aún mayores para fuentes brillantes.
• Aprendizaje Profundo vs. Fotometría: La CNN totalmente supervisada superó tanto al ajuste de plantillas como a los métodos de ML basados solo en fotometría, confirmando que la información a nivel de píxel contiene datos adicionales relevantes para el corrimiento al rojo más allá del flujo integrado, incluso para galaxias tenues y de alto corrimiento al rojo.
• Fallo de la Auto-supervisión Pura: El enfoque de aprendizaje contrastivo auto-supervisado, aunque exitoso en estudios previos de bajo corrimiento al rojo, tuvo un rendimiento inferior en comparación con la CNN totalmente supervisada en este régimen de alto corrimiento al rojo. Las visualizaciones de UMAP revelaron que el espacio latente auto-supervisado codificaba principalmente la magnitud y el tamaño (morfología), pero fallaba en capturar gradientes suaves de color y corrimiento al rojo, lo que provocó fluctuaciones significativas en la inferencia de photo-z.
• Escalabilidad con Escasez de Etiquetas: PITA demostró un rendimiento robusto incluso cuando el tamaño del conjunto de entrenamiento etiquetado se redujo significativamente. A diferencia de los modelos totalmente supervisados, que se degradan rápidamente con menos etiquetas, PITA mantuvo una precisión superior aprovechando los datos no etiquetados para aprender características informativas (mediante pérdidas contrastivas y de color) mientras utilizaba las etiquetas escasas para alinear el espacio latente para la regresión.

Significado y Afirmaciones
El artículo afirma que para el Telescopio Espacial Roman, donde las etiquetas espectroscópicas serán escasas para la mayoría de las fuentes (especialmente a alto corrimiento al rojo y magnitudes tenues), el aprendizaje profundo semi-supervisado es la estrategia óptima. Los autores argumentan que los métodos puramente auto-supervisados pueden fallar en codificar las propiedades físicas específicas (color y corrimiento al rojo) necesarias para la inferencia de photo-z en conjuntos de datos espaciales profundos, porque la varianza dominante en los datos de píxeles está impulsada por el brillo y la morfología en lugar del color.

Mediante la introducción del algoritmo PITA, los autores demuestran que incorporar conocimiento del dominio, específicamente la predicción explícita de colores fotométricos junto con el corrimiento al rojo, guía el espacio latente para que sea físicamente informativo. Esto permite una interpolación suave entre los corrimientos al rojo de entrenamiento escasos, permitiendo estimaciones precisas de photo-z tanto para fuentes brillantes (ricas en etiquetas) como tenues (escasas en etiquetas). El estudio concluye que las futuras encuestas deben utilizar enfoques semi-supervisados que combinen datos de imágenes no etiquetadas con restricciones específicas del dominio (como el color) para maximizar el retorno científico de las misiones de imágenes profundas.