High-Redshift Gravitational Lens Discoveries in JWST NIRCam Using AnomalyMatch

Resumen Técnico: Descubrimientos de Lentes Gravitacionales de Alto Corrimiento al Rojo en NIRCam de JWST utilizando AnomalyMatch

Enunciado del Problema
Las lentes gravitacionales fuertes son fenómenos astrofísicos raros que proporcionan restricciones críticas sobre las distribuciones de masa, la evolución de las galaxias y los parámetros cosmológicos. Sin embargo, su rareza intrínseca y sus características visuales sutiles dificultan su identificación dentro de los vastos conjuntos de datos producidos por los observatorios modernos. Los métodos tradicionales de detección, incluida la inspección visual y los algoritmos morfológicos, tienen dificultades para escalar con el volumen de datos de instalaciones como el Telescopio Espacial James Webb (JWST). Además, los enfoques de aprendizaje automático supervisado requieren típicamente grandes conjuntos de entrenamiento etiquetados, que son difíciles de ensamblar para objetos intrínsecamente raros como las lentes gravitacionales.

Metodología
Los autores emplean un marco de aprendizaje activo semisupervisado llamado AnomalyMatch para buscar lentes gravitacionales en los datos de NIRCam de JWST. El flujo de trabajo procede de la siguiente manera:

• Selección de Datos: El estudio utiliza los catálogos fotométricos de ASTRODEEP (que cubren los campos Abell 2744, CEERS, JADES, NGDEEP y PRIMER) y la encuesta COSMOS-Web. Tras la coincidencia cruzada con datos de calibración de Nivel 3 en la plataforma ESA Datalabs y la aplicación de un corte de tamaño para eliminar objetos de alto corrimiento al rojo no resueltos, el pool de búsqueda final consta de 614.015 fuentes en aproximadamente 0,74 grados cuadrados.
• Procesamiento de Imágenes: Se generan recortes RGB de tres canales (224 × 224 píxeles) a partir de cuatro filtros NIRCam (F115W, F150W, F277W, F444W). Para mejorar la visibilidad de las características de lente de baja brillo superficial cerca de los núcleos de galaxias brillantes, los autores aplican una función de transferencia de medios tonos (MTF) para normalizar el rango dinámico. Las cuatro bandas se combinan en imágenes RGB utilizando pesos determinados empíricamente para equilibrar el centro de la galaxia, las características de lente y el fondo del cielo.
• Estrategia de Entrenamiento: AnomalyMatch utiliza el enfoque FixMatch, combinando la pérdida de entropía cruzada supervisada en datos etiquetados con la regularización de consistencia no supervisada en datos no etiquetados aumentados pseudo-etiquetados. El conjunto de entrenamiento inicial es extremadamente pequeño, consistiendo únicamente en 11 lentes "espectaculares" de la Encuesta de Lentes COSMOS-Web (COWLS) y 400 fuentes nominales (no lentes).
• Bucle de Aprendizaje Activo: El modelo pasa por tres ciclos de entrenamiento. En cada ciclo, las 1.000 anomalías mejor clasificadas son inspeccionadas visualmente por expertos. Las lentes confirmadas se añaden al conjunto de entrenamiento etiquetado para refinar el modelo. Este proceso de interacción humana permite que el sistema mejore iterativamente el rendimiento con un mínimo de etiquetas iniciales.
• Clasificación y Calificación: Los candidatos identificados son calificados por cuatro expertos mediante votación mayoritaria en la plataforma Zooniverse en tres categorías:
  • Grado A: Alta confianza (arcos claros con colores distintos e imágenes contrapuestas).
  • Grado B: Probable (geometría plausible pero careciendo de características definitivas como la separación de colores).
  • Grado C: Posible (características débiles/ambiguas, potencialmente contaminadas por fusiones o artefactos).

Resultados Clave

• Número de Descubrimientos: La búsqueda identificó 58 sistemas únicos de lentes gravitacionales.
• Novedad: De los 58 sistemas, 37 (63,8%) no estaban catalogados previamente en la literatura. Esto incluye 9 sistemas de Grado A, 10 de Grado B y 18 de Grado C.
• Alcance de Corrimiento al Rojo: Las lentes identificadas abarcan un amplio rango de corrimiento al rojo. El candidato recién descubierto con el corrimiento al rojo más alto se encuentra en $z_{phot} \approx 2,1$ (Grado C). El corrimiento al rojo espectroscópico más alto identificado es $z_{spec} = 1,39$ (Grado B). La muestra completa se extiende desde $z \approx 0,09$ hasta $z_{phot} = 2,21$.
• Eficiencia: Todo el proceso de búsqueda y entrenamiento para estas encuestas se completó en el orden de horas utilizando una sola GPU, demostrando la escalabilidad del enfoque.

Significado y Afirmaciones
El artículo afirma demostrar el potencial de AnomalyMatch como una herramienta eficiente en etiquetas para búsquedas a gran escala de objetos raros en los archivos de JWST. Al aprovechar el aprendizaje semisupervisado y el aprendizaje activo, los autores muestran que la detección de lentes de alto rendimiento es alcanzable con muy pocos ejemplos iniciales (11 lentes), superando el cuello de botella de ensamblar grandes conjuntos de datos etiquetados.

El trabajo destaca la sinergia entre ESA Datalabs y el aprendizaje automático avanzado, demostrando que terabytes de datos archivados pueden escanearse eficientemente para descubrir sistemas pasados por alto en encuestas anteriores. Los autores afirman que este enfoque extiende el alcance de corrimiento al rojo del descubrimiento de lentes más allá de lo posible con observatorios anteriores y búsquedas visuales previas de JWST (como COWLS), empujando las capacidades de detección hacia el "Mediodía Cósmico" y el Universo temprano. El catálogo calificado resultante sirve como recurso para el entrenamiento futuro de aprendizaje automático y el estudio científico, aunque los autores advierten que los candidatos de menor grado (B y C) pueden contener contaminación y deben tratarse con el escepticismo apropiado.