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

Résumé technique : Le catalogue des contreparties Chandra-Gaia

Énoncé du problème
L'identification correcte des sources astronomiques à travers de multiples catalogues est fondamentale pour la complétude statistique et une classification précise. Les méthodes de mise en correspondance traditionnelles reposent principalement sur la proximité positionnelle (plus proche voisin dans un rayon fixe). Bien qu'efficaces pour les relevés dotés d'une astrométrie précise, ces approches purement spatiales peinent dans les régions du ciel densément peuplées, lorsque les incertitudes positionnelles sont élevées, ou lorsqu'il existe un déséquilibre de précision astrométrique entre les catalogues. De plus, les méthodes purement spatiales échouent souvent à distinguer les véritables contreparties des coïncidences fortuites lorsqu'il existe plusieurs candidats plausibles à l'intérieur du rayon de recherche. Le catalogue de sources Chandra (CSC v2.1) et Gaia Data Release 3 (DR3) présentent un tel défi : bien que Gaia fournisse des positions de haute précision pour environ 1,8 milliard de sources, l'appariement avec les détections de rayons X de Chandra nécessite de résoudre les ambiguïtés là où la simple proximité spatiale est insuffisante pour déterminer l'association physique réelle.

Méthodologie
Les auteurs proposent un cadre qui dépasse la simple mise en correspondance spatiale en intégrant les propriétés des sources (magnitudes, couleurs, distances, variabilité) via l'apprentissage automatique (ML). Le pipeline se compose de quatre étapes :

1. Prétraitement et génération initiale de candidats :
   Les auteurs effectuent d'abord une mise en correspondance positionnelle entre le CSC v2.1 et Gaia DR3 en utilisant NWAY, un cadre bayésien qui prend en compte les erreurs de position et les densités de sources. Cela génère un pool initial de candidats dans un rayon de 15".

2. Construction des données d'entraînement (ensembles positifs et négatifs) :
   Pour entraîner le modèle de ML sans dépendre de données de vérité terrain étiquetées, les auteurs construisent des ensembles d'entraînement basés sur des heuristiques statistiques :

• Ensemble positif : Sélectionné à partir des correspondances NWAY avec une confiance élevée ($p_{any} \ge 0,5$, $p_i \ge 0,9$) et de faibles séparations ($\le 1,3''$). Ce seuil de 1,3" a été dérivé via des tests de Kolmogorov-Smirnov montrant que les distributions de magnitude des contreparties probables et improbables deviennent indiscernables au-delà de cette séparation.
• Ensemble négatif : Composé de trois types de non-correspondances : des « négatifs clairs » (candidats avec une séparation $\ge 5''$), des « négatifs intermédiaires » (autres candidats non sélectionnés $\ge 5''$) et des « négatifs aléatoires » (sources Gaia échantillonnées dans des régions éloignées de toute source Chandra).
• Déséquilibre des classes : Le jeu de données est fortement déséquilibré (environ 30k positifs contre 310k négatifs). Les auteurs traitent cela en suréchantillonnant les négatifs aléatoires et en ajustant les poids des échantillons pendant l'entraînement.

3. Modèle d'apprentissage automatique :
   Un classificateur LightGBM (arbre de décision boosté par gradient) est entraîné pour effectuer une classification binaire ($y=1$ pour une vraie correspondance, $y=0$ pour une non-correspondance). Le modèle utilise 32 caractéristiques dérivées des deux catalogues, incluant la photométrie (magnitudes et flux $g, BP, RP$ de Gaia), les flux de rayons X et les rapports de dureté (CSC), les indices de variabilité, la parallaxe, le mouvement propre et les étiquettes de classification externes. Crucialement, le modèle est entraîné sans utiliser la séparation positionnelle comme caractéristique d'entrée, le forçant à apprendre les associations basées uniquement sur les propriétés physiques.

4. Seuillage et sélection finale :
   Le catalogue final est généré en appliant deux critères indépendants aux scores de ML ($p_{ML}$) :

• Seuil de score ML : Un seuil de $p_{ML} \ge 0,466$ est établi. Cette valeur correspond au percentile de la fonction de répartition cumulative (CDF) correspondant à la probabilité estimée de coïncidence fortuite ($P_{chance} \approx 0,0176$) pour la densité globale de Gaia.
• Seuil de séparation : Une limite de séparation maximale ($r_{max}$) est appliquée en fonction de l'angle hors axe ($\theta$) de l'observation Chandra. Cette limite tient compte de la fonction d'étalement du point (PSF) de Chandra et des incertitudes astrométriques, allant de 1,5" au point de visée à 10" pour les grands angles hors axe.
  Seuls les candidats satisfaisant à la fois $p_{ML} \ge 0,466$ et séparation $\le r_{max}(\theta)$ sont conservés comme correspondances ML de haute confiance.

Résultats clés

• Publication du catalogue : Les auteurs publient un catalogue d'environ 113 000 contreparties Chandra-Gaia de haute confiance.
• Résolution des ambiguïtés : Le cadre identifie environ 7 000 sources avec plusieurs correspondances ML plausibles (contreparties alternatives) et signale environ 20 000 sources où NWAY suggère une correspondance basée sur la proximité, mais où le modèle ML les rejette comme étant probablement des coïncidences fortuites.
• Validation (COUP) : Le pipeline a été validé par rapport au projet Chandra Orion Ultradeep (COUP). La méthode ML a reproduit 95 % des correspondances NWAY sans utiliser d'informations positionnelles, démontant que les émetteurs de rayons X sont reconnaissables par leurs caractéristiques optiques/IR.
• Métriques de performance : Sur l'ensemble de test, le pipeline combiné (score ML + seuil de séparation) a atteint une précision de 0,98, un rappel de 0,79 et un score F1 de 0,87. L'indice de Jaccard entre les correspondances ML et NWAY est de 0,78.
• Analyse de population : Le catalogue résultant montre des différences morphologiques distinctes dans le diagramme de Hertzsprung-Russell (HR) par rapport aux correspondances uniquement basées sur NWAY. Les correspondances sélectionnées par ML résolvent clairement les amas de la séquence principale et des naines blanches, tandis que les correspondances NWAY seules apparaissent estompées, suggérant que la méthode ML filtre efficacement les associations fallacieuses.

Signification et revendications
L'article affirme que ce travail fournit une approche systématique et flexible de la mise en correspondance qui exploite pleinement les données multidimensionnelles des catalogues. La principale signification réside dans :

1. Résolution des ambiguïtés : La méthode distingue avec succès les véritables contreparties des coïncidences fortuites dans les champs encombrés où la mise en correspondance spatiale échoue, identifiant ~20 000 sources où les méthodes basées sur la proximité produisent probablement des faux positifs.
2. Généralisabilité : Les auteurs présentent un cadre général (processus en cinq étapes) applicable à tout scénario de mise en correspondance entre des catalogues arbitraires, et pas seulement entre Chandra et Gaia.
3. Complémentarité : Ils déclarent explicitement qu'ils n'ont pas l'intention de remplacer les méthodes spatiales comme NWAY, mais de les compléter. En incorporant les propriétés physiques, la méthode récupère les correspondances correctes dans les scénarios impliquant des erreurs de coordonnées systématiques, des distorsions de PSF ou une contamination par des intrus fortuits.
4. Astrophysique stellaire : Le catalogue résultant soutient les études de population stellaire, permettant la construction de fonctions de luminosité détaillées et l'étude de l'évolution de l'activité magnétique, car les correspondances sont fortement pondérées vers les populations stellaires.

Les auteurs notent des limites, estimant un taux d'erreur systématique d'environ 7 % pour les correspondances ML, particulièrement dans les cas où les données de Gaia pourraient être incomplètes ou lorsque les sources sont des valeurs aberrantes dans la distribution d'entraînement. Ils suggèrent que les futures publications de données pourraient résoudre certaines des divergences restantes.