The Chandra-Gaia Catalog of Counterparts: Resolving ambiguous Gaia matches to X-ray sources in the Chandra Source Catalog using Machine Learning

Resumen Técnico: El Catálogo de Contrapartidas Chandra-Gaia

Declaración del Problema
La identificación correcta de fuentes astronómicas a través de múltiples catálogos es fundamental para la completitud estadística y la clasificación precisa. Los métodos de cruce tradicionales dependen predominantemente de la proximidad posicional (vecino más cercano dentro de un radio fijo). Si bien estos enfoques puramente espaciales son efectivos para sondeos con astrometría precisa, presentan dificultades en regiones del cielo densamente pobladas, cuando las incertidumbres posicionales son grandes o cuando existe un desequilibrio en la precisión astrométrica entre los catálogos. Además, los métodos puramente espaciales suelen fallar al distinguir las contrapartidas reales de las coincidencias fortuitas cuando existen múltiples candidatos plausibles dentro del radio de búsqueda. El Catálogo de Fuentes de Chandra (CSC v2.1) y el Gaia Data Release 3 (DR3) presentan tal desafío: mientras que Gaia proporciona posiciones de alta precisión para aproximadamente 1.8 mil millones de fuentes, el emparejamiento con las detecciones de rayos X de Chandra requiere resolver ambigüedades donde la proximidad espacial por sí sola es insuficiente para determinar la verdadera asociación física.

Metodología
Los autores proponen un marco que va más allá del cruce puramente espacial mediante la integración de propiedades de las fuentes (magnitudes, colores, distancias, variabilidad) utilizando aprendizaje automático (ML). El flujo de trabajo consta de cuatro etapas:

1. Preprocesamiento y Generación Inicial de Candidatos:
   Los autores realizan primero un cruce posicional entre el CSC v2.1 y Gaia DR3 utilizando NWAY, un marco bayesiano que tiene en cuenta los errores posicionales y las densidades de fuentes. Esto genera un grupo inicial de candidatos dentro de un radio de 15".

2. Construcción de Datos de Entrenamiento (Conjuntos Positivos y Negativos):
   Para entrenar el modelo de ML sin depender de una verdad de terreno etiquetada, los autores construyen conjuntos de entrenamiento basados en heurísticas estadísticas:

• Conjunto Positivo: Seleccionado de los emparejamientos de NWAY con alta confianza ($p_{any} \ge 0.5$, $p_i \ge 0.9$) y separaciones pequeñas ($\le 1.3''$). El umbral de 1.3" se derivó mediante pruebas de Kolmogorov-Smirnov que mostraron que las distribuciones de magnitud de las contrapartidas probables e improbables se vuelven indistinguibles más allá de esta separación.
• Conjunto Negativo: Compuesto por tres tipos de no-emparejamientos: "negativos claros" (candidatos con separación $\ge 5''$), "negativos intermedios" (otros candidatos no seleccionados $\ge 5''$) y "negativos aleatorios" (fuentes de Gaia muestreadas en regiones alejadas de cualquier fuente de Chandra).
• Desequilibrio de Clases: El conjunto de datos está fuertemente desequilibrado (aproximadamente 30k positivos frente a 310k negativos). Los autores abordan esto mediante el sobremuestreo de negativos aleatorios y el ajuste de los pesos de las muestras durante el entrenamiento.

3. Modelo de Aprendizaje Automático:
   Se entrena un clasificador LightGBM (árbol de decisión de gradiente potenciado) para realizar una clasificación binaria ($y=1$ para emparejamiento verdadero, $y=0$ para no-emparejamiento). El modelo utiliza 32 características derivadas de ambos catálogos, incluyendo fotometría (magnitudes y flujos de Gaia $g, BP, RP$), flujos de rayos X y razones de dureza (CSC), índices de variabilidad, paralaje, movimiento propio y etiquetas de clasificación externa. Crucialmente, el modelo se entrena sin utilizar la separación posicional como una característica de entrada, obligándolo a aprender asociaciones basadas únicamente en propiedades físicas.

4. Umbralización y Selección Final:
   El catálogo final se genera aplicando dos criterios independientes a las puntuaciones de ML ($p_{ML}$):

• Umbral de Puntuación de ML: Se establece un corte de $p_{ML} \ge 0.466$. Este valor corresponde al percentil de la función de distribución acumulativa (CDF) empírica que coincide con la probabilidad estimada de coincidencia fortuita ($P_{chance} \approx 0.0176$) para la densidad global de Gaia.
• Umbral de Separación: Se aplica un límite de separación máxima ($r_{max}$) basado en el ángulo fuera de eje ($\theta$) de la observación de Chandra. Este límite tiene en cuenta la Función de Propagación de Punto (PSF) de Chandra y las incertidumbres astrométricas, variando desde 1.5" en el punto de mira hasta 10" en ángulos grandes fuera de eje.
  Solo se retienen como emparejamientos de ML confiables aquellos candidatos que satisfacen tanto $p_{ML} \ge 0.466$ como la condición de separación $\le r_{max}(\theta)$.

Resultados Clave

• Lanzamiento del Catálogo: Los autores lanzan un catálogo de aproximadamente 113,000 contrapartidas de alta confianza entre Chandra y Gaia.
• Resolución de Ambigüedades: El marco identifica aproximadamente 7,000 fuentes con múltiples emparejamientos de ML plausibles (contrapartidas alternativas) y señala aproximadamente 20,000 fuentes donde NWAY sugiere un emparejamiento basado en la proximidad, pero el modelo de ML los rechaza como probables coincidencias fortuitas.
• Validación (COUP): El flujo de trabajo fue validado contra el Proyecto de Ultra-profundidad de Orión de Chandra (COUP). El método de ML reprodujo el 95% de los emparejamientos de NWAY sin utilizar ninguna información posicional, demostando que los emisores de rayos X son reconocibles por sus características ópticas/IR.
• Métricas de Rendimiento: En el conjunto de prueba, el flujo de trabajo combinado (puntuación de ML + umbral de separación) alcanzó una precisión de 0.98, una recuperación (recall) de 0.79 y un F1-score de 0.87. El índice de Jaccard entre los emparejamientos de ML y NWAY fue de 0.78.
• Análisis de Población: El catálogo resultante muestra diferencias morfológicas distintas en el diagrama de Hertzsprung-Russell (HR) en comparación con los emparejamientos de solo NWAY. Los emparejamientos seleccionados por ML resuelven claramente los cúmulos de la secuencia principal y de enanas blancas, mientras que los emparejamientos de solo NWAY aparecen difuminados, lo que sugiere que el método de ML filtra eficazmente las asociaciones espurias.

Significado y Reivindicaciones
El artículo afirma que este trabajo proporciona un enfoque sistemático y flexible para el cruce de catálogos que aprovecha plenamente los datos multidimensionales. La importancia principal radica en:

1. Resolución de Ambigüedades: El método distingue con éxito las contrapartidas reales de las coincidencias fortuitas en campos densos donde el emparejamiento espacial falla, identificando ~20,000 fuentes donde los métodos basados en la proximidad probablemente generen falsos positivos.
2. Generalizabilidad: Los autores presentan un marco general (proceso de cinco pasos) aplicable a cualquier escenario de cruce entre catálogos arbitrarios, no limitado a Chandra y Gaia.
3. Complementariedad: Los autores declaran explícitamente que no pretenden reemplazar los métodos espaciales como NWAY, sino complementarlos. Al incorporar propiedades físicas, el método recupera emparejamientos correctos en escenarios que involucran errores de coordenadas sistemáticos, distorsiones de la PSF o contaminación por intrusos fortuitos.
4. Astrofísica Estelar: El catálogo resultante respalda los estudios de población estelar, permitiendo la construcción de funciones de luminosidad detalladas y la investigación de la evolución de la actividad magnética, ya que los emparejamientos están fuertemente orientados hacia poblaciones estelares.

Los autores señalan las limitaciones, estimando una tasa de error sistemático de aproximadamente el 7% para los emparejamientos de ML, particularmente en casos donde los datos de Gaia pueden ser incompletos o donde las fuentes son valores atípicos en la distribución de entrenamiento. Sugieren que futuras entregas de datos podrían resolver algunas de las discrepancias restantes.