Optimizing Deep Learning Photometric Redshifts for the Roman Space Telescope with HST/CANDELS

Sintesi Tecnica: Ottimizzazione delle Redshift Fotometriche con Deep Learning per il Telescopio Spaziale Roman con HST/CANDELS

Enunciato del Problema
Il Telescopio Spaziale Nancy Grace Roman genererà enormi quantità di immagini nel vicino infrarosso ad alta risoluzione e profonde, rendendo necessarie stime accurate delle redshift fotometriche (photo-z) per centinaia di milioni di galassie per studiare la cosmologia, l'evoluzione delle galassie e i transienti. Sebbene i metodi di deep learning (DL) che utilizzano informazioni a livello di pixel abbiano dimostrato prestazioni superiori rispetto ai metodi tradizionali di adattamento di template e ai metodi di machine learning (ML) classici per immagini da terra a basso redshift, la loro efficacia su dati spaziali deboli e ad alto redshift ($z \sim 3$) rimane da verificare. Una sfida critica è la scarsità di etichette di redshift spettroscopico (spec-z) per sorgenti deboli; le immagini di Roman supereranno di gran lunga il suo follow-up spettroscopico. Di conseguenza, è necessario determinare se gli algoritmi DL possano sfruttare efficacemente l'abbondanza di immagini non etichettate insieme a dati etichettati limitati per raggiungere una precisione ottimale delle photo-z in questo regime.

Metodologia
Gli autori hanno utilizzato il sondaggio CANDELS del Telescopio Spaziale Hubble (HST) come proxy per i dati di Roman, selezionando 99.505 sorgenti con etichette di redshift affidabili ($z_{ref}$) derivate da spettroscopia, dati grism e fotometria multibanda. Il dataset è stato suddiviso in sottoinsiemi etichettati (addestramento, validazione, test) e non etichettati. Lo studio ha confrontato quattro approcci distinti:

1. Baseline Classiche:

   • Adattamento di Template: LePHARE, che adatta la fotometria osservata a template di distribuzione dell'energia spettrale (SED).
   • ML Fotometrico: Un Multi-Layer Perceptron (MLP) completamente supervisionato addestrato su colori e magnitudini fotometriche integrate.

2. Approcci di Deep Learning:

   • CNN Completamente Supervisionata: Un'architettura ConvNeXt addestrata esclusivamente su immagini etichettate per prevedere direttamente la redshift dai dati di pixel.
   • CNN Auto-supervisionata: Un approccio in due fasi che utilizza l'apprendimento contrastivo (MoCo) per pre-addestrare su tutte le immagini non etichettate per apprendere rappresentazioni latenti, seguito da un affinamento (fine-tuning) sul sottoinsieme etichettato per la previsione della redshift.
   • CNN Semi-supervisionata (PITA): Un nuovo algoritmo "Photo-z Inference with a Triple-task Algorithm" che ottimizza congiuntamente tre funzioni di perdita simultaneamente:
     • Perdita Contrastiva ($L_{contrastive}$): Appresa da tutte le immagini (etichettate e non etichettate) per catturare caratteristiche morfologiche.
     • Perdita di Colore ($L_{color}$): Appresa da tutte le immagini per garantire che lo spazio latente codifichi i colori fotometrici.
     • Perdita di Redshift ($L_{z}$): Appresa solo dalle immagini etichettate per allineare lo spazio latente ai valori di redshift.

Gli autori hanno impiegato l'Approssimazione e Proiezione di Varietà Uniforme (UMAP) per visualizzare gli spazi latenti generati dai modelli auto-supervisionati e semi-supervisionati, analizzando quanto bene questi spazi codificassero magnitudine, colore, morfologia e redshift.

Risultati Chiave

• Metriche di Prestazione: L'algoritmo semi-supervisionato PITA ha ottenuto le migliori prestazioni in tutte le metriche (bias, deviazione assoluta mediana normalizzata $\sigma_{NMAD}$ e frazione di outlier $f_{outlier}$) sia per sorgenti brillanti ($m_{F160W} < 22$) che deboli ($m_{F160W} < 25$). Rispetto alla baseline photometry-MLP, PITA ha ridotto il bias del 34%, $\sigma_{NMAD}$ del 14% e $f_{outlier}$ del 17% per l'intero set di test, con miglioramenti ancora maggiori per le sorgenti brillanti.
• Deep Learning vs. Fotometria: La CNN completamente supervisionata ha superato sia i metodi di adattamento di template che i metodi ML basati solo sulla fotometria, confermando che le informazioni a livello di pixel contengono dati aggiuntivi rilevanti per la redshift oltre al flusso integrato, anche per galassie deboli e ad alto redshift.
• Fallimento della Pura Auto-supervisione: L'approccio di apprendimento contrastivo auto-supervisionato, sebbene riuscito in precedenti studi a basso redshift, ha ottenuto prestazioni inferiori rispetto alla CNN completamente supervisionata in questo regime ad alto redshift. Le visualizzazioni UMAP hanno rivelato che lo spazio latente auto-supervisionato codificava principalmente magnitudine e dimensione (morfologia) ma non riusciva a catturare gradienti lisci di colore e redshift, portando a fluttuazioni significative nell'inferenza delle photo-z.
• Scalabilità con Scarsità di Etichette: PITA ha dimostrato prestazioni robuste anche quando la dimensione del set di addestramento etichettato è stata ridotta significativamente. A differenza dei modelli completamente supervisionati, che degradano rapidamente con meno etichette, PITA ha mantenuto una precisione superiore sfruttando i dati non etichettati per apprendere caratteristiche informative (tramite perdite contrastive e di colore) mentre utilizzava le etichette sparse per allineare lo spazio latente alla regressione.

Significato e Affermazioni
Il documento afferma che per il Telescopio Spaziale Roman, dove le etichette spettroscopiche saranno scarse per la maggior parte delle sorgenti (specialmente ad alto redshift e magnitudini deboli), il deep learning semi-supervisionato è la strategia ottimale. Gli autori sostengono che i metodi puramente auto-supervisionati potrebbero non riuscire a codificare le proprietà fisiche specifiche (colore e redshift) necessarie per l'inferenza delle photo-z in dataset spaziali profondi, perché la varianza dominante nei dati di pixel è guidata dalla luminosità e dalla morfologia piuttosto che dal colore.

Introducendo l'algoritmo PITA, gli autori dimostrano che incorporare conoscenze di dominio—specificamente, la previsione esplicita dei colori fotometrici insieme alla redshift—guida lo spazio latente a essere fisicamente informativo. Ciò consente un'interpolazione fluida tra le redshift di addestramento sparse, permettendo stime accurate delle photo-z sia per sorgenti brillanti (ricche di etichette) che deboli (scarse di etichette). Lo studio conclude che i futuri sondaggi dovrebbero utilizzare approcci semi-supervisionati che combinano dati di immagini non etichettati con vincoli specifici del dominio (come il colore) per massimizzare il ritorno scientifico delle missioni di imaging profondo.