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

Résumé technique : Euclid : Amélioration de la reconstruction de la distribution des décalages vers le rouge à l'aide d'une fonction de transfert « deep-to-wide »

Énoncé du problème
La mission Euclid vise à contraindre la nature de l'énergie noire et l'histoire de l'expansion de l'Univers grâce à des mesures de cisaillement cosmique. Atteindre la précision scientifique requise nécessite une reconstruction extrêmement précise de la véritable distribution des décalages vers le rouge, $n(z)$, pour les galaxies dans des tranches tomographiques. L'erreur systématique sur le décalage vers le rouge moyen, $\sigma_{\langle z \rangle}$, doit satisfaire $\sigma_{\langle z \rangle} < 0,002(1+z)$ par tranche.

Les méthodes d'étalonnage actuelles reposent sur des échantillons de référence possédant des décalages vers le rouge spectroscopiques pour corriger les décalages vers le rouge photométriques. Cependant, une source importante d'incertitude systématique provient de la discordance des propriétés photométriques entre les champs de référence profonds (Champs Auxiliaires Euclid, EAF) et le relevé large peu profond (Relevé Large Euclid, EWS). L'EWS est environ deux magnitudes plus peu profond que les EAF, ce qui entraîne des rapports signal sur bruit (S/B) différents et une dispersion distincte dans l'espace des couleurs due aux incertitudes photométriques. Par conséquent, des sources identiques observées dans des configurations profonde et large occupent des régions différentes de la Carte Auto-Organisée (SOM) utilisée pour l'étalonnage, conduisant à des reconstructions biaisées de $n(z)$. Bien que des méthodes de simulation basées sur les images comme Balrog (utilisée par le Dark Energy Survey) puissent résoudre ce problème, elles sont coûteuses en calcul et nécessitent des modifications substantielles de pipelines complexes.

Méthodologie
Les auteurs proposent une méthode de Transfert Multi-Bandes (MPT) au niveau du catalogue pour dégrader la photométrie des objets de l'échantillon profond afin qu'ils imitent statistiquement les observations du relevé large.

1. Construction de la fonction de transfert :

   • Contrairement à un transfert simple mono-bande (SPT) qui ajoute un bruit gaussien indépendant, le MPT préserve les corrélations entre les flux, les erreurs de flux et à travers les différentes bandes.
   • Pour un objet de l'échantillon profond avec des flux $d_{X,i}$ et des erreurs $\sigma_{X,i}$, la méthode identifie les plus proches voisins dans le catalogue de l'échantillon large (en utilisant un arbre k-d) basé sur l'espace des flux.
   • Elle calcule une vraisemblance $L$ qu'un objet de l'échantillon large soit identique à celui de l'échantillon profond, en tenant compte de la variance combinée des deux mesures.
   • Un objet de l'échantillon large est tiré en fonction de ces vraisemblances, et ses erreurs de flux ($\tau_{X,i}$) sont appliquées à l'objet profond. Les nouveaux flux « semblables au large » sont tirés d'une distribution normale $N(d_{X,i}, \tau_{X,i}^2)$.
   • Ce processus garantit que la distribution de probabilité multidimensionnelle de l'échantillon dégradé correspond à celle de l'échantillon large, y compris les corrélations d'erreurs.

2. Fonction de sélection :

   • Une fonction de sélection empirique est appliquée à l'échantillon transformé pour tenir compte du fait que les sources profondes faibles ne seraient pas détectées dans le relevé large. Celle-ci est dérivée de la distribution des flux du champ large.

3. Intégration dans le pipeline d'étalonnage :

   • La méthode est intégrée dans le cadre d'étalonnage basé sur la SOM (Masters et al. 2015).
   • Les auteurs testent plusieurs scénarios (A–G) pour déterminer la mise en œuvre optimale :
     • Scénario A : Méthode originale de Masters et al. (Échantillon profond utilisé directement).
     • Scénario C : Le sous-ensemble d'étalonnage profond est transformé 50 fois en utilisant le MPT pour créer un échantillon « MPT-Mock », qui est ensuite projeté sur une SOM entraînée sur le profond.
     • Scénario F : L'ensemble du pipeline (entraînement de la SOM, définition des tranches et projection) utilise l'échantillon MPT-Mock.
     • Scénario G : Les objets sont assignés aux tranches tomographiques sur la base de décalages vers le rouge photométriques individuels (suivant Roster et al. 2025) en utilisant l'échantillon MPT-Mock.

Contributions clés

• Développement du MPT : Un algorithme efficace en calcul, au niveau du catalogue, qui dégrade la photométrie profonde vers des conditions semblables au large tout en préservant les corrélations d'erreurs de flux multi-bandes.
• Validation contre Balrog : La méthode est testée contre le catalogue DES Y3 Balrog (injection basée sur les images). Les auteurs démontrent que le MPT récupère les propriétés statistiques de l'échantillon large (distributions de flux et d'erreurs) avec une distance de Wasserstein comparable ou supérieure à celle de Balrog, malgré une vitesse nettement supérieure (traitement de 1 million de sources sur 8 bandes en ~5 minutes).
• Évaluation systématique des étapes d'étalonnage : En isolant des étapes spécifiques du pipeline d'étalonnage (entraînement de la SOM, définition des tranches et projection de référence), l'article identifie que le facteur le plus critique pour la précision est de s'assurer que les objets de référence (échantillon spectroscopique) sont distribués dans l'espace des couleurs de la même manière que les objets du relevé large.

Résultats
Les méthodes ont été testées en utilisant la Simulation de Galaxies Euclid Flagship Mock, qui fournit des décalages vers le rouge de vérité terrain.

• Métriques de performance : Le biais moyen du décalage vers le rouge ($\Delta z / (1+z)$) a été mesuré sur dix tranches tomographiques.
• Comparaison des scénarios :
  • Scénario A (Original) : N'a pas réussi à satisfaire aux exigences d'Euclid dans la plupart des tranches, avec des biais allant jusqu'à $0,124/(1+z)$.
  • Scénario C (MPT sur la projection de référence) : A montré une amélioration significative, avec une probabilité non négligeable de satisfaire aux exigences dans de nombreuses tranches.
  • Scénario G (MPT + binning individuel des photo-z) : A atteint les meilleures performances, avec une probabilité de satisfaire à l'exigence $\sigma_{\langle z \rangle} < 0,002(1+z)$ dans toutes les tranches (allant de 31 % à 77 % selon la tranche).
• Forme de la distribution : Au-delà de la moyenne, la méthode reproduit avec succès la forme complète de la distribution $n(z)$. Pour la tranche $1,0 < z \le 1,25$, la variance de la $n(z)$ reconstruite correspond à la variance vraie à moins de 1 % (Scénarios C et F), tandis que la méthode non corrigée (Scénario B) a montré une erreur de 15 % sur la variance.
• Couverture SOM : L'utilisation du MPT pour générer plusieurs réalisations de l'échantillon de référence a réduit la fraction de cellules SOM non peuplées (non étalonnables) de 46,5 % (échantillon profond uniquement) à 6,7 % (Scénario C).

Signification et affirmations
L'article affirme que la méthode MPT fournit une solution robuste et réalisable pour la Livraison de Données 1 (DR1) d'Euclid et au-delà.

• Faisabilité : L'approche démontre qu'une reconstruction précise de $n(z)$ est réalisable sans simulations d'images prohibitives en calcul, à condition que les propriétés photométriques de l'échantillon de référence soient correctement dégradées pour correspondre à la profondeur du relevé.
• Insight critique : Le principal moteur de la réussite de l'étalonnage n'est pas nécessairement le réentraînement de la SOM sur des données semblables au large (qui a mal performé dans le Scénario E), mais plutôt de s'assurer que la projection de l'échantillon de référence sur la SOM reflète la distribution des couleurs du relevé large.
• Applicabilité plus large : La méthode préserve la structure statistique complète de la distribution des décalages vers le rouge (incluant les moments d'ordre supérieur), la rendant adaptée à des applications au-delà du lentillage faible, telles que le regroupement angulaire.
• Perspective modeste : Les auteurs notent que si la méthode satisfait aux exigences pour la DR1, des améliorations supplémentaires (par exemple, de meilleurs échantillons de référence) seront nécessaires pour les livraisons de données ultérieures. Ce travail établit une base solide pour les futurs pipelines d'étalonnage.