pop-cosmos: Forward modeling KiDS-1000 redshift distributions using realistic galaxy populations

Résumé technique : pop-cosmos : Modélisation directe des distributions de redshift de KiDS-1000 à l'aide de populations de galaxies réalistes

Énoncé du problème
La précision des contraintes cosmologiques dérivées des relevés galactiques de l'Étape IV est fondamentalement limitée par l'exactitude des distributions de redshift galactique inférées, $n(z)$. Les méthodes traditionnelles reposent sur la repondération d'échantillons de référence spectroscopiques pour correspondre aux données photométriques. Cependant, ces étalonnages spectroscopiques souffrent d'incomplétude et de biais de sélection intrinsèques, ce qui peut introduire des erreurs systématiques comparables ou supérieures aux incertitudes statistiques des relevés de lentillage gravitationiel moderne. Cet article traite du défi de l'inférence de $n(z)$ pour l'échantillon de lentillage faible de KiDS-1000 en reformulant le problème comme un exercice de modélisation directe, évitant ainsi le recours à la repondération spectroscopique directe.

Méthodologie
Les auteurs développent un cadre de modélisation directe qui synthétise des observations simulées réalistes du relevé KiDS-1000. Le cadre intègre deux composantes principales :

1. Modèle de population génératif (pop-cosmos) : Un modèle de diffusion basé sur le score, entraîné sur une photométrie multi-bandes profonde (26 bandes) issue du catalogue COSMOS2020 (Spitzer IRAC Ch. 1 < 26). Ce modèle opère dans l'espace des paramètres de la synthèse de population stellaire (SPS) (par exemple, l'histoire de la formation stellaire, la métallicité, l'atténuation par la poussière, la contribution des AGN) pour générer des populations de galaxies réalistes avec des corrélations intrinsèques entre les propriétés physiques et la photométrie observée. Contra�irement aux modèles semi-analytiques, pop-cosmos est piloté par les données et capture toute la diversité des relations couleur-redshift observées.
2. Modèle de données (appris par apprentissage automatique) : Un ensemble de modèles d'apprentissage automatique entraînés sur les simulations SKiLLS (KiDS-Legacy-Like Simulations) basées sur SURFS. Ces modèles apprennent la transformation complexe des propriétés intrinsèques sans bruit vers des observations de relevés réalistes, incluant :
   • Détection : Un classificateur de forêt aléatoire modélisant la probabilité de détection en fonction de la magnitude dans la bande $r$ et de la profondeur.
   • Incertitude : Un flux d'ODE conditionnel modélisant l'incertitude de la magnitude AUTO dans la bande $r$, qui dépend de la morphologie et des conditions locales.
   • Bruit : Un flux d'ODE conditionnel modélisant les résidus de bruit de flux en 10 dimensions (différences entre les flux mesurés et réels) à travers toutes les bandes, capturant les queues non gaussiennes et les tendances dépendantes de la magnitude.
   • Sélection et pondération : Des classificateurs et régresseurs supplémentaires simulent les coupes de qualité de KiDS-1000 (par exemple, la séparation étoile-galaxie, les drapeaux de mesure de forme) et prédisent les poids de lensfit.

Le pipeline génère des catalogues synthétiques de type KiDS en tirant des galaxies du modèle de population, en appliquant le modèle de données pour simuler le bruit et la sélection, puis en applistant le même découpage tomographique (utilisant les redshifts photométriques BPZ) que les données réelles. Les redshifts réels des galaxies simulées sont ensuite utilisés comme le $n(z)$ étalonné.

Contributions clés et résultats

• Validation du modèle de données : Les auteurs démontrent que leur modèle de données appris par apprentissage automatique peut reproduire avec précision les propriétés statistiques des simulations SKiLLS. Lorsque la population sous-jacente de SKiLLS (basée sur le modèle semi-analytique shark) est passée à travers le modèle de données, les distributions de redshift résultantes correspondent aux distributions « vraies » de SKiLS avec des différences de redshift moyen $\Delta z < 0,005$.
• Impact des hypothèses de population : En remplaçant la population shark par la population pop-cosmos, les auteurs observent des décalages systématiques dans les distributions de redshift inférées. Dans le premier compartiment ($0,1 < z < 0,3$) et le dernier ($0,9 < z < 1,2$) des compartiments tomographiques, les redshifts moyens diffèrent de $\Delta z \sim 0,05\text{--}0,1$.
• Relations Couleur–Redshift : Les décalages sont attribués à des différences dans les relations couleur-redshift entre les deux modèles. pop-cosmos prédit une gamme plus large de couleurs plus rouges à des redshifts élevés par rapport à shark, ce qui amène BPZ à assigner des galaxies à redshift intermédiaire au compartiment le plus élevé et à disperser certains objets à haut redshift vers des compartiments inférieurs. Cela souligne que le choix du modèle de population influence directement l'étalonnage de $n(z)$.
• Généralisation : Le cadre applique avec succès un modèle entraîné sur les données COSMOS2020 au relevé KiDS-1000, qui présente une profondeur, une sélection et des conditions d'observation différentes. Les estimations de $n(z)$ résultantes sont comparées aux distributions de KiDS-1000 publiées (dérivées de la repondération spectroscopique), montrant des différences inhérentes dues aux différentes populations de galaxies et fonctions de sélection.

Signification et revendications
L'article prétend fournir une alternative robuste et indépendante à l'étalonnage du redshift par voie spectroscopique. En modélisant directement la sélection du relevé et le bruit à partir d'un modèle de population étalonné empiriquement, cette approche évite les biais de sélection et l'incomplétude inhérents aux échantillons de référence spectroscopiques.

Les auteurs soulignent que les différences systématiques observées ($\Delta z \sim 0,05\text{--}0,1$) entre pop-cosmos et shark sont comparables aux incertitudes rapportées pour les méthodes de repondération spectroscopique. Cela souligne l'importance critique du modèle de population galactique sous-jacent dans la détermination de $n(z)$. Ce travail établit pop-cosmos comme un outil viable pour estimer les distributions de redshift au niveau de la population pour les relevés de l'Étape IV. Les auteurs déclarent que ces distributions seront utilisées dans une prochaine réanalyse cosmologique complète de KiDS pour fournir un contrôle indépendant des étalonnages existants. Ils concluent qu'à mesure que les relevés tendront vers une précision de l'ordre du pourcentage, les outils de modélisation directe ancrés dans des modèles de population étalonnés empiriquement seront essentiels pour garantir que les incertitudes systématiques dans l'étalonnage du redshift ne limitent pas les contraintes de la physique fondamentale.