Identifying Gems from Roman RAPIDly

Resumen Técnico: Identificación de Gemas de Roman RAPIDly (RuBR)

Planteamiento del Problema
El Telescopio Espacial Nancy Grace Roman (Roman), programado para su lanzamiento en septiembre de 2026, llevará a cabo sondeos infrarrojos de campo amplio capaces de detectar millones de transitorios astronómicos. Un cuello de botella crítico para tales sondeos es el problema de clasificación "real-falso" (real-bogus): los canales de procesamiento de diferenciación de imágenes (como RAPID) generan flujos masivos de alertas candidatas, la mayoría de las cuales son detecciones espurias (falsas o "bogus") causadas por artefactos de sustracción, ruido del detector o rayos cósmicos. Si bien los clasificadores de aprendizaje automático (ML) han filtrado con éxito estos falsos positivos en sondeos existentes, Roman presenta un desafío único: aún no existen datos observacionales reales para entrenar estos modelos. En consecuencia, existe la necesidad de canales de ML robustos, entrenados con datos simulados, que puedan distinguir eficazmente entre transitorios genuinos y detecciones falsas, y que sean capaces de adaptarse a los datos del mundo real una vez que el telescopio esté operativo, sin depender de inmediato de etiquetas de verdad de terreno (ground-truth).

Metodología
Los autores proponen RuBR (Roman RAPIDly), un marco de aprendizaje automático diseñado para clasificar candidatos a transitorios utilizando una combinación de datos de imagen y características tabulares. La metodología abarca tres componentes primarios:

1. Construcción del Conjunto de Datos:

   • El estudio utiliza las simulaciones OpenUniverse2024 (OU24), que proporcionan aproximadamente 1.39 millones de eventos transitorios simulados en 70 deg², junto con transitorios inyectados localmente sobre estas imágenes.
   • El canal genera imágenes de diferencia (Ciencia menos Referencia) utilizando algoritmos como ZOGY o SFFT.
   • La detección de fuentes se realiza mediante DAOFind (elegido sobre SExtractor por tener una mayor completitud a pesar de una mayor tasa de falsos positivos).
   • Los ejemplos de entrenamiento consisten en recortes de píxeles de $64 \times 64$ de cuatro tipos de imagen (Ciencia, Referencia, Diferencia y mapas de significancia SCORR) centrados en las detecciones, aumentados con cinco características escalares derivadas de DAOFind (diferencia de magnitud, pico, nitidez y dos valores de redondez).
   • El conjunto de datos está altamente desbalanceado, con una relación falso-real de aproximadamente 400:1 para las detecciones de DAOFind.

2. Arquitectura del Modelo:

   • Codificador de Imágenes: Una red neuronal convolucional (CNN) diseñada para ser invariante a la rotación. Para asegurar que las predicciones permanezcan consistentes independientemente de la orientación de la fuente, el modelo promedia los embeddings sobre rotaciones discretas (múltiplos de 90°), evitando que el modelo se aferre a artefactos direccionales espurios.
   • Codificador de Características: Un Perceptrón Multicapa (MLP) procesa las cinco características escalares de DAOFind.
   • Clasificador: Los embeddings de imagen y de características se concatenan y se pasan a través de una capa totalmente conectada con una activación sigmoide para producir una puntuación de probabilidad (la puntuación "rb-score") que indica la probabilidad de que una detección sea real.
   • Entrenamiento Adversario de Dominio (RuBRDA): Para abordar el cambio de dominio entre los datos simulados y los reales, se añade un predictor de dominio. Utilizando una Capa de Reversión de Gradiente (GRL), el modelo se entrena para distinguir entre los dominios de datos simulados y reales, mientras simultáneamente obliga al extractor de características a aprender representaciones invariantes al dominio. Esto permite que el modelo se adapte a las distribuciones de datos reales sin requerir etiquetas de verdad de terreno para el dominio objetivo.

3. Estrategia de Entrenamiento:

   • Los modelos se entrenan utilizando entropía cruzada binaria ponderada para gestionar el desbalance de clases.
   • Se aplica una normalización por filtro para dar cuenta de las distintas distribuciones de intensidad en los diferentes filtros de Roman.
   • Se presentan tres variantes específicas del modelo:
     • RuBRcomb: Entrenado y probado en un conjunto de datos combinado de OU24 e inyecciones locales.
     • RuBRloc: Entrenado en inyecciones locales y probado en OU24.
     • RuBRDA: Entrenado en inyecciones locales, con el entrenamiento de adaptación de dominio aplicado utilizando una fracción de los datos de OU24 como dominio objetivo.

Resultados Clave

• Desempeño: En el conjunto de prueba combinado, RuBRcomb logró una Precisión del 90.10% y una Sensibilidad (Recall) del 71.68%, resultando en un F1-score de 0.7984. Esto superó a varias arquitecturas de referencia, incluyendo DenseNet121, VGG11, ResNet-18, Deep-HITS y Braai.
• Análisis de Umbral: El modelo genera una puntuación de confianza continua. Al ajustar el umbral de decisión, los usuarios pueden intercambiar precisión por sensibilidad. Por ejemplo, un umbral de 0.9 ofrece un 98.34% de precisión pero reduce la sensibilidad al 58.47%.
• Estudios de Ablación:
  • Invariancia Rotacional: Eliminar esta característica causó una caída significativa en el F1-score (de 0.7984 a 0.6218), confirmando su necesidad para la robustez.
  • Codificador de Características: Eliminar las características escalares redujo el F1-score a 0.7794, demostrando que las características tabulares proporcionan información complementaria a los datos de imagen.
  • Normalización: La normalización por filtro resultó superior a la normalización global estándar.
• Adaptación de Dominio: Al ser probado en el conjunto de datos OU24 (que simula condiciones de datos reales) sin etiquetas de verdad de terreno, el modelo no adaptado (RuBRloc) logró solo un 36% de precisión. En contraste, el modelo con adaptación de dominio (RuBRDA) mejoró la precisión al 49% y la sensibilidad al 72%, demostrando la eficacia del enfoque de entrenamiento adversario para cerrar la brecha entre la simulación y la realidad.

Significancia y Reivindicaciones
El artículo sostiene que RuBR proporciona una vía viable para que la misión Roman comience a descubrir transitorios fiables inmediatamente después del lanzamiento, a pesar de la ausencia de datos de entrenamiento reales. La principal significancia reside en la estrategia de adversario de dominio, que permite al canal adaptarse a los artefactos específicos de las observaciones reales de Roman sin requerir etiquetas de verdad de terreno inmediatas. Esto es crucial para las fases iniciales de la misión, cuando las etiquetas verificadas por humanos son escasas.

Los autores enfatizan que, si bien los resultados actuales se basan en simulaciones, la metodología está diseñada para ser robusta frente a la alta densidad de fuentes y el hacinamiento esperado en el Sondeo de Tiempo del Bulbo Galáctico (GBTDS). Afirman que la inclusión de puntuaciones de confianza en el flujo de alertas permitirá a los astrónomos tomar decisiones informadas respecto a las observaciones de seguimiento. El trabajo concluye que, aunque la sensibilidad actual está limitada por los artefactos de sustracción cerca de los núcleos galácticos, el marco propuesto ofrece una base prometedora para el filtrado automatizado de transitorios en la era de Roman, con trabajos futuros enfocados en incorporar estrellas variables y refinar el conjunto de entrenamiento para excluir regiones contaminadas.