Estimating hyperparameters and instrument parameters in regularized inversion. Illustration for SPIRE/Herschel map making

Sintesi Tecnica: Stima degli Iperparametri e dei Parametri Strumentali nella Inversione Regolarizzata

Definizione del Problema
Il documento affronta la sfida della ricostruzione d'immagine in astrofisica, specificamente per lo strumento SPIRE dell'osservatorio spaziale Herschel. Il problema centrale è un problema inverso "non supervisionato e miope". I metodi di inversione standard richiedono tipicamente:

1. Tuning supervisionato: Gli iperparametri (che bilanciano la fedeltà ai dati rispetto alla regolarizzazione del prior) devono essere impostati manualmente, richiedendo spesso la conoscenza del "vero" cielo o un esteso processo di tentativi ed errori.
2. Modelli strumentali noti: I parametri strumentali (come la larghezza del lobo, il tempo di risposta e il guadagno) sono solitamente determinati tramite osservazioni di calibrazione dedicate. Tali valori contengono inevitabilmente errori dovuti alle dipendenze spettrali e alle incertezze di calibrazione.

Gli autori mirano a risolvere un problema triplice da un'unica osservazione: stimare simultaneamente la mappa del cielo ($x$), gli iperparametri ($\xi$) e i parametri strumentali ($\eta$) senza una conoscenza pregressa della verità fondamentale (ground truth) o dati di calibrazione dedicati.

Metodologia
L'approccio proposto si basa su un framework Full-Bayesiano. Gli autori costruiscono una densità di probabilità a posteriori $p(x, \xi, \eta | y)$ per tutti i quantitativi incogniti dati le osservazioni $y$.

1. Modellazione Probabilistica:

   • Verosimiglianza (Likelihood): Il modello di osservazione è lineare ($y = A_\eta x + n$), dove il rumore $n$ è modellato come Gaussiano con una media $m_n$ e una struttura di covarianza definita da un parametro di precisione $\gamma_n$.
   • Prior per la Mappa: La mappa del cielo $x$ è modellata con un prior Gaussiano per imporre la regolarità spaziale (smoothness), controllata da un parametro di precisione $\gamma_x$. La struttura della regolarità è definita tramite una norma quadratica delle derivate spaziali.
   • Iperprior: Agli iperparametri ($\xi = [m_n, \gamma_n, \gamma_x]$ sono assegnati i priori di Jeffreys non informativi ($1/\gamma$ per le precisioni, uniformi per le medie) per minimizzare il bias del prior.
   • Parametri Strumentali: I parametri strumentali $\eta$ sono modellati con priori Gaussiani centrati sui valori nominali con le relative incertezze.

2. Densità a Posteriori:
   La densità a posteriori congiunta è derivata combinando la verosimiglianza e i priori. A causa dell'alta dimensionalità della mappa ($M \sim 10^5$) e della complessa dipendenza non lineare delle osservazioni dai parametri strumentali $\eta$, la densità a posteriori non può essere analizzata direttamente o massimizzata analiticamente.

3. Campionamento Stocastico (MCMC):
   Per esplorare la densità a posteriori, gli autori impiegano un algoritmo Markov Chain Monte-Carlo (MCMC) basato su un ciclo di Gibbs con un passaggio Metropolis-Hastings (MH):

   • Campionamento della Mappa ($x$): Il campionamento dalla densità a posteriori condizionata della mappa è difficile a causa delle grandi dimensioni e della struttura di correlazione. Gli autori utilizzano un criterio di minimi quadrati regolarizzato perturbato. Aggiungendo specifiche perturbazioni di rumore ai dati e alla media del prior, il minimizzatore di questo criterio produce un campione distribuito esattamente secondo la densità a posteriori Gaussiana condizionata desiderata.
   • Campionamento degli Iperparametri ($\xi$): Le densità a posteriori condizionate per i parametri di precisione ($\gamma_n, \gamma_x$) sono distribuzioni Gamma, e la media del rumore ($m_n$) segue una distribuzione Gaussiana. Questi vengono campionati utilizzando routine standard.
   • Campionamento dei Parametri Strumentali ($\eta$): La densità a posteriori condizionata per $\eta$ è non standard e complessa. Gli autori utilizzano un passaggio di random-walk di Metropolis-Hastings. Viene generata una proposta e il rapporto di accettazione viene calcolato in base al rapporto tra le densità a posteriori condizionate (verosimiglianza $\times$ prior).

Contributi Chiave

• Framework di Stima Congiunta: Il documento presenta un quadro bayesiano unificato che stima congiuntamente la mappa, gli iperparametri e i parametri strumentali, andando oltre la tradizionale separazione tra calibrazione e inversione.
• Innovazione Algoritmica:
  • Sviluppo di una specifica tecnica di campionamento per mappe gaussiane ad alta dimensionalità utilizzando criteri perturbati per evitare l'inversione diretta di matrici.
  • Integrazione di un passaggio Metropolis-Hastings per gestire la densità a posteriori condizionata non standard e non lineare dei parametri strumentali all'interno di un ciclo di Gibbs.
• Capacità Non Supervisionata e Miope: Il metodo opera senza "verità del cielo" (non supervisionato) e senza osservazioni di calibrazione dedicate (miope), stimando i parametri strumentali direttamente dai dati scientifici.

Risultati
Il metodo è stato valutato utilizzando il modello dello strumento SPIRE sia con dati simulati (Cirrus Galattico, emissione estesa e sorgenti puntiformi) che con osservazioni reali (NGC 7023).

• Ricostruzione della Mappa: Il metodo non supervisionato ha prodotto mappe visivamente e quantitativamente comparabili alle "migliori" mappe supervisionate (dove gli iperparametri sono regolati a mano usando la verità fondamentale). L'errore di ricostruzione era solo leggermente superiore (3,47% rispetto a 3,12% per il Cirrus Galattico simulato). Il metodo ha ricostruito con successo sia le strutture su larga scala che i dettagli su piccola scala invisibili nelle mappe co-aggiunte naive.
• Stima degli Iperparametri: L'algoritmo ha stimato correttamente i parametri di rumore e di regolarità. Per i dati simulati con verità fondamentale nota, la precisione del rumore stimata era entro l'1% del valore reale.
• Stima dei Parametri Strumentali: Nel caso miope, il parametro strumentale (relativo alla larghezza della Funzione di Diffusione del Punto - PSF) è stato stimato con un errore di circa il 5–7%, nonostante un'incertezza del prior del 33%. La stima è stata più accurata quando la sorgente conteneva un alto contenuto di alte frequenze (sorgenti puntiformi).
• Quantificazione dell'Incertezza: Il metodo fornisce naturalmente la deviazione standard a posteriori (PSD), offrendo una mappa di incertezza che identifica correttamente le regioni con alta confidenza (aree osservate) rispetto alle regioni estrapolate.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro dimostra la fattibilità di eseguire un'inversione non supervisionata e miope in un contesto astrofisico complesso. Essi sostengono che:

• Il metodo proposto può regolare automaticamente gli iperparametri e i parametri strumentali, eliminando la necessità di intervento manuale o di scansioni di calibrazione dedicate.
• La qualità delle mappe risultanti è quasi equivalente a quella ottenuta con la conoscenza perfetta dello strumento e un'ottimale regolazione manuale.
• L'approccio fornisce un quadro coerente per gestire il compromesso tra informazione a priori e dati osservativi, quantificando al contempo l'incertezza.

Il documento conclude che questi risultati iniziali sono promettenti per l'elaborazione sistematica e automatica di grandi flussi di dati da parte di attuali e futuri strumenti spaziali (es. Herschel, Planck, JWST), pur riconoscendo che il costo computazionale (circa 10 ore per il caso miope) e la leggera sottostima dei parametri strumentali in certi regimi spettrali siano aree che richiedono ulteriori perfezionamenti in futuro.