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

तकनीकी सारांश: यूक्लिड (Euclid): एक डीप-टू-वाइड ट्रांसफ़र फंक्शन का उपयोग करके रेडशिफ्ट वितरण पुनर्निर्माण में सुधार

समस्या विवरण (Problem Statement)
यूक्लिड मिशन का लक्ष्य कॉस्मिक शीयर (cosmic shear) मापों के माध्यम से डार्क एनर्जी की प्रकृति और ब्रह्मांड के विस्तार के इतिहास को सीमित करना है। आवश्यक वैज्ञानिक सटीकता प्राप्त करने के लिए टोमोटोग्राफिक बिनों (tomographic bins) में गैलेक्सीज़ के वास्तविक रेडशिफ्ट वितरण, $n(z)$, का अत्यंत सटीक पुनर्निर्माण आवश्यक है। माध्य रेडशिफ्ट पर व्यवस्थित त्रुटि (systematic error), $\sigma_{\langle z \rangle}$, को प्रति बिन $\sigma_{\langle z \rangle} < 0.002(1+z)$ की शर्त को पूरा करना चाहिए।

वर्तमान अंशांकन (calibration) विधियाँ फोटोमेट्रिक रेडशिफ्ट को ठीक करने के लिए स्पेक्ट्रोस्कोपिक रेडशिफ्ट वाले संदर्भ नमूनों (reference samples) पर निर्भर करती हैं। हालाँकि, एक महत्वपूर्ण व्यवस्थित अनिश्चितता गहरे संदर्भ क्षेत्रों (यूक्लिड ऑक्सिलरी फील्ड्स - EAFs) और उथले वाइड सर्वे (यूक्लिड वाइड सर्वे - EWS) के बीच फोटोमेट्रिक गुणों के बेमेल होने से उत्पन्न होती है। EWS, EAFs की तुलना में लगभग दो मैग्नीट्यूड उथला है, जिससे अलग-अलग सिग्नल-टू-नॉइज़ अनुपात (S/N) और फोटोमेट्रिक अनिश्चितताओं के कारण कलर स्पेस (color space) में भिन्न बिखराव (scatter) होता है। फलस्वरूप, गहरे और वाइड कॉन्फ़िगरेशन में देखे गए समान स्रोत भी सेल्फ-ऑर्गनाइजिंग मैप (SOM) में अलग-अलग क्षेत्रों में स्थित होते हैं, जिसका उपयोग अंशांकन के लिए किया जाता है, जिससे $n(z)$ पुनर्निर्माण में पूर्वाग्रह (bias) आता है। यद्यपि बालग्रॉग (Balrog) जैसी इमेज-आधारित सिमुलेशन विधियाँ (जिसका उपयोग डार्क एनर्जी सर्वे द्वारा किया जाता है) इस समस्या का समाधान कर सकती हैं, लेकिन वे गणनात्मक रूप से बहुत महंगी हैं और उनके लिए जटिल पाइपलाइनों में व्यापक संशोधनों की आवश्यकता होती है।

लेखक एक कैटलॉग-स्तरीय मल्टी-पासबैंड ट्रांसफ़र (MPT) विधि का प्रस्ताव करते हैं, जो गहरे नमूनों की फोटोमेट्री को इस तरह कम (degrade) करती है कि वे सांख्यिकीय रूप से वाइड-सर्वे के अवलोकनों के समान हो जाएं।

1. ट्रांसफ़र फंक्शन का निर्माण:

   • सिंगल-पासबैंड ट्रांसफ़र (SPT) के विपरीत, जो स्वतंत्र गौसियन शोर (Gaussian noise) जोड़ता है, MPT फ्लक्स के बीच के सहसंबंधों (correlations), फ्लक्स त्रुटियों और विभिन्न पासबैंड्स के बीच के संबंधों को सुरक्षित रखता है।
   • एक गहरे नमूने के ऑब्जेक्ट के लिए फ्लक्स $d_{X,i}$ और त्रुटि $\sigma_{X,i}$ को देखते हुए, यह विधि फ्लक्स स्पेस के आधार पर (k-d ट्री का उपयोग करके) वाइड-सैंपल कैटलॉग में निकटतम पड़ोसियों की पहचान करती है।
   • यह विधि एक संभावना (likelihood) $L$ की गणना करती है कि एक वाइड-सैंपल ऑब्जेक्ट, गहरे-सैंपल वाले ऑब्जेक्ट के समान है, जिसमें दोनों मापों के संयुक्त विचरण (combined variance) पर विचार किया जाता है।
   • इन संभावनाओं के आधार पर एक वाइड-सैंपल ऑब्जेक्ट को चुना जाता है, और इसके फ्लक्स एरर ($\tau_{X,i}$) को गहरे ऑब्जेक्ट पर लागू किया जाता है। नया "वाइड-जैसा" फ्लक्स $N(d_{X,i}, \tau_{X,i}^2)$ से एक सामान्य वितरण (normal distribution) से लिया जाता है।
   • यह प्रक्रिया सुनिश्चित करती है कि क्षीण (degraded) नमूने का बहु-आयामी संभाव्यता वितरण वाइड सैंपल के अनुरूप हो, जिसमें त्रुटि सहसंबंध भी शामिल हैं।

2. सिलेक्शन फंक्शन (Selection Function):

   • रूपांतरित नमूने पर एक अनुभवजन्य (empirical) सिलेक्शन फंक्शन लागू किया जाता है ताकि यह ध्यान रखा जा सके कि गहरे (faint) स्रोत वाइड सर्वे में नहीं पहचाने जाएंगे। इसे वाइड फील्ड के फ्लक्स वितरण से प्राप्त किया जाता है।

3. कैलिब्रेशन पाइपलाइन एकीकरण:

   • इस विधि को SOM-आधारित अंशांकन ढांचे (मास्टर्स एट अल. 2015) में एकीकृत किया गया है।
   • लेखकों ने इष्टतम कार्यान्वयन निर्धारित करने के लिए विभिन्न परिदृश्यों (A–G) का परीक्षण किया है:
     • परिदृश्य A: मूल मास्टर्स एट अल. विधि (डायरेक्टली डीप सैंपल का उपयोग)।
     • परिदृश्य C: डीप कैलिब्रेशन सबसेट को MPT का उपयोग करके 50 बार रूपांतरित किया जाता है ताकि एक "MPT-Mock" नमूना बनाया जा सके, जिसे फिर एक डीप-ट्रेन्ड SOM पर प्रोजेक्ट किया जाता है।
     • परिदृश्य F: पूरी पाइपलाइन (SOM ट्रेनिंग, बिन परिभाषा, और प्रोजेक्शन) MPT-Mock नमूने का उपयोग करती है।
     • परिदृश्य G: व्यक्तिगत फोटो-ज़ेड (Roster et al. 2025 के अनुसार) के आधार पर ऑब्जेक्ट्स को टोमोटोग्राफिक बिनों में असाइन किया जाता है (MPT-Mock नमूने का उपयोग करके)।

मुख्य योगदान (Key Contributions)

• MPT का विकास: एक गणनात्मक रूप से कुशल, कैटलॉग-स्तरीय एल्गोरिदम जो मल्टी-पासबैंड फ्लक्स-एरर सहसंबंधों को संरक्षित करते हुए गहरे फोटोमेट्री को वाइड-लाइक स्थितियों में कम करता है।
• Balrog के विरुद्ध सत्यापन: विधि का परीक्षण DES Y3 Balrog कैटलॉग (इमेज-आधारित इंजेक्शन) के विरुद्ध किया गया है। लेखक प्रदर्शित करते हैं कि MPT, वाइड सैंपल के सांख्यिकीय गुणों (फ्लक्स और एरर वितरण) को बालग्रॉग के तुलनीय या उससे बेहतर वासेस्टीन दूरी (Wasserstein distance) के साथ पुनः प्राप्त करता है, जबकि यह काफी तेज़ है (1 मिलियन स्रोतों को 8 बैंड्स में ~5 मिनट में प्रोसेस करना)।
• अंशांकन चरणों का व्यवस्थित मूल्यांकन: अंशांकन पाइपलाइन के विशिष्ट चरणों (SOM ट्रेनिंग, बिन परिभाषा, और रेफरेंस प्रोजेक्शन) को अलग करके, यह पेपर पहचानता है कि सटीकता के लिए सबसे महत्वपूर्ण कारक यह सुनिश्चित करना है कि संदर्भ ऑब्जेक्ट्स (स्पेक्ट्रोस्कोपिक सैंपल) उसी तरह से कलर स्पेस में वितरित हों जैसे वाइड-सर्वे के ऑब्जेक्ट्स होते हैं।

परिणाम (Results)
विधियों का परीक्षण यूक्लिड फ्लैगशिप मॉक गैलेक्सी सिमुलेशन (Euclid Flagship Mock Galaxy Simulation) का उपयोग करके किया गया, जो ग्राउंड-ट्रुथ रेडशिफ्ट प्रदान करता है।

• प्रदर्शन मेट्रिक्स: दस टोमोटोग्राफिक बिनों में माध्य रेडशिफ्ट बायस ($\Delta z / (1+z)$) को मापा गया।
• परिदृश्य तुलना:
  • परिदृश्य A (मूल): अधिकांश बिनों में यूक्लिड आवश्यकताओं को पूरा करने में विफल रहा, जिसमें बायस $0.124/(1+z)$ तक उच्च था।
  • परिदृश्य C (MPT ऑन रेफरेंस प्रोजेक्शन): महत्वपूर्ण सुधार दिखाया, जिसमें कई बिनों में आवश्यकताओं को पूरा करने की गैर-नगण्य संभावना देखी गई।
  • परिदृश्य G (MPT + व्यक्तिगत फोटो-ज़ेड बिनिंग): सर्वश्रेष्ठ प्रदर्शन प्राप्त किया, जिसमें सभी बिनों में $\sigma_{\langle z \rangle} < 0.002(1+z)$ की आवश्यकता को पूरा करने की संभावना (बिन के आधार पर 31% से 77% तक) देखी गई।
• वितरण का आकार (Distribution Shape): माध्य के अलावा, विधि $n(z)$ वितरण के पूर्ण आकार को सफलतापूर्वक पुनरुत्पादित करती है। बिन $1.0 < z \le 1.25$ के लिए, पुनर्गठित $n(z)$ का विचरण (variance) वास्तविक विचरण के 1% के भीतर था (परिदृश्य C और F), जबकि अनकॉर्डेड विधि (परिदृश्य B) ने विचरण में 15% की त्रुटि दिखाई।
• SOM कवरेज: संदर्भ नमूने के लिए कई वास्तविकताओं (realisations) को उत्पन्न करने के लिए MPT का उपयोग करने से अनपॉपुलेटेड (uncalibratable) SOM सेल्स का अंश 46.5% (केवल डीप सैंपल) से घटकर 6.7% (परिदृश्य C) रह गया।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि MPT विधि यूक्लिड डेटा रिलीज़ 1 (DR1) और उसके आगे के लिए एक मजबूत और व्यवहार्य समाधान प्रदान करती है।

• व्यवहार्यता (Feasibility): यह दृष्टिकोण प्रदर्शित करता है कि सटीक $n(z)$ पुनर्निर्माण, गणनात्मक रूप से अत्यधिक महंगी इमेज सिमुलेशन के बिना भी संभव है, बशर्ते कि संदर्भ नमूने के फोटोमेट्रिक गुणों को वाइड-सर्वे की गहराई के अनुरूप सही ढंग से कम किया जाए।
• महत्वपूर्ण अंतर्दृष्टि (Critical Insight): अंशांकन सफलता का प्राथमिक चालक वाइड-लाइक डेटा पर SOM को फिर से प्रशिक्षित करना नहीं है (जिसने परिदृश्य E में खराब प्रदर्शन किया), बल्कि यह सुनिश्चित करना है कि SOM पर संदर्भ नमूने का प्रोजेक्शन वाइड-सर्वे के कलर वितरण को दर्शाता हो।
• व्यापक अनुप्रयोग: विधि रेडशिफ्ट वितरण की पूर्ण सांख्यिकीय संरचना (उच्चतर मोमेंट्स सहित) को सुरक्षित रखती है, जिससे यह वीक लेंसिंग (weak lensing) से परे, जैसे कि एंगुलर क्लस्टरिंग (angular clustering) के लिए भी उपयुक्त हो जाती है।
• संभावित भविष्य (Modest Outlook): लेखक नोट करते हैं कि हालांकि यह विधि DR1 के लिए आवश्यकताओं को पूरा करती है, लेकिन आगामी डेटा रिलीज़ के लिए और सुधार (जैसे बेहतर संदर्भ नमूने) आवश्यक होंगे। यह कार्य भविष्य के अंशांकन पाइपलाइनों के लिए एक ठोस आधार स्थापित करता है।