Identifying Gems from Roman RAPIDly

Sintesi Tecnica: Identificazione di Gemme da Roman RAPIDly (RuBR)

Problema
Il telescopio spaziale Nancy Grace Roman (Roman), la cui missione è prevista per il lancio nel settembre 2026, condurrà survey infrarossi a largo campo capaci di rilevare milioni di transienti astronomici. Un collo di bottiglia critico per tali survey è il problema della classificazione "real-bogus" (reale-falso): le pipeline di differenziamento delle immagini (come RAPID) generano flussi enormi di avvisi di candidati, la maggior parte dei quali sono rilevamenti spuri (bog-us/falsi) causati da artefatti di sottrazione, rumore del rivelatore o raggi cosmici. Sebbene i classificatori basati sul machine learning (ML) abbiano filtrato con successo questi falsi positivi in survey esistenti, Roman presenta una sfida unica: non esistono ancora dati osservativi reali per addestrare questi modelli. Di conseguenza, esiste la necessità di pipeline di ML robuste, addestrate su dati simulati, che possano distinguere efficacemente i transienti genuini dai rilevamenti falsi e adattarsi ai dati reali una volta che il telescopio sarà operativo, senza dipendere immediatamente da etichette di verità fondamentale (ground-truth).

Metodologia
Gli autori propongono RuBR (Roman RAPIDly), un framework di machine learning progettato per classificare i candidati transienti utilizzando una combinazione di dati d'immagine e caratteristiche tabulari. La metodologia comprende tre componenti primarie:

1. Costruzione del Dataset:

   • Lo studio utilizza le simulazioni OpenUniverse2024 (OU24), che forniscono circa 1,39 milioni di eventi transienti simulati su 70 deg², insieme a transienti iniettati localmente sopra queste immagini.
   • La pipeline genera immagini di differenza (Scienza meno Riferimento) utilizzando algoritmi come ZOGY o SFFT.
   • Il rilevamento delle sorgenti è eseguito tramite DAOFind (scelto rispetto a SExtractor per una maggiore completezza nonostante un tasso di falsi positivi più elevato).
   • Gli esempi di addestramento consistono in ritagli (cutout) di $64 \times 64$ pixel di quattro tipi di immagini (Scienza, Riferimento, Differenza e mappe di significatività SCORR) centrati sui rilevamenti, aumentati da cinque caratteristiche scalari derivate da DAOFind (differenza di magnitudine, picco, nitidezza e due valori di rotondità).
   • Il dataset è fortemente sbilanciato, con un rapporto bogus-to-real di circa 400:1 per i rilevamenti di DAOFind.

2. Architettura del Modello:

   • Encoder d'Immagine: Una rete neurale convoluzionale (CNN) progettata per essere invariante alla rotazione. Per garantire che le previsioni rimangano coerenti indipendentemente dall'orientamento della sorgente, il modello media gli embedding su rotazioni discrete (multipli di 90°), impedendo al modello di agganciarsi ad artefatti direzionali spuri.
   • Encoder di Caratteristiche: Un Percettore Multistrato (MLP) elabora le cinque caratteristiche scalari di DAOFind.
   • Classificatore: Gli embedding di immagine e di caratteristiche vengono concatenati e passati attraverso uno strato completamente connesso con un'attivazione sigmoidale per produrre un punteggio di probabilità (lo "rb-score") che indica la probabilità che un rilevamento sia reale.
   • Addestramento Avversariale di Dominio (RuBRDA): Per affrontare lo spostamento di dominio (domain shift) tra dati simulati e reali, viene aggiunto un predittore di dominio. Utilizzando un Livello di Inversione del Gradiente (GRL), il modello viene addestrato per distinguere tra i domini dei dati simulati e reali, forzando contemporaneamente l'estrattore di caratteristiche a imparare rappresentazioni invarianti rispetto al dominio. Ciò consente al modello di adattarsi alle distribuzioni dei dati reali senza richiedere etichette di verità fondamentale per il dominio target.

3. Strategia di Addestramento:

   • I modelli sono addestrati utilizzando la cross-entropy binaria pesata per gestire lo sbilanciamento delle classi.
   • Viene applicata la normalizzazione per filtro per tenere conto delle distinte distribuzioni di intensità tra i diversi filtri di Roman.
   • Sono presentate tre specifiche varianti di modello:
     • RuBRcomb: Addestrato e testato su un dataset combinato di OU24 e iniezioni locali.
     • RuBRloc: Addestrato su iniezioni locali e testato su OU24.
     • RuBRDA: Addestrato su iniezioni locali con l'applicazione dell'adattamento di dominio utilizzando una frazione di dati OU24 come dominio target.

Risultati Chiave

• Performance: Sul set di test combinato, RuBRcomb ha raggiunto una Precisione del 90,10% e un Richiamo (Recall) del 71,68%, risultando in un F1-score di 0,7984. Questo ha superato diverse architetture di base, tra cui DenseNet121, VGG11, ResNet-18, Deep-HITS e Braai.
• Analisi della Soglia: Il modello produce un punteggio di confidenza continuo. Regolando la soglia decisionale, gli utenti possono scambiare precisione e richiamo. Ad esempio, una soglia di 0,9 produce una precisione del 98,34% ma riduce il richiamo al 58,47%.
• Studi di Ablazione:
  • Invarianza Rotazionale: Rimuovere questa caratteristica ha causato un calo significativo dell'F1-score (da 0,7984 a 0,6218), confermando la sua necessità per la robustezza.
  • Encoder di Caratteristiche: Rimuovere le caratteristiche scalari ha ridotto l'F1-score a 0,7794, dimostrando che le caratteristiche tabulari forniscono informazioni complementari ai dati d'immagine.
  • Normalizzazione: La normalizzazione per filtro si è dimostrata superiore alla normale normalizzazione globale.
• Adattamento di Dominio: Quando testato sul dataset OU24 (che simula le condizioni dei dati reali) senza etichette di verità fondamentale, il modello non adattato (RuBRloc) ha ottenuto solo il 36% di precisione. Al contrario, il modello con adattamento di dominio (RuBRDA) ha migliorato la precisione al 49% e il richiamo al 72%, dimostrando l'efficacia dell'approccio di addestramento avversariale nel colmare il divario tra simulazione e realtà.

Significatività e Rivendicazioni
L'articolo sostiene che RuBR fornisca una via percorribile affinché la missione Roman possa iniziare a scoprire transienti affidabili immediatamente dopo il lancio, nonostante l'assenza di dati reali di addestramento. La significatività primaria risiede nella strategia avversariale di dominio, che permette al pipeline di adattarsi agli artefatti specifici delle osservazioni reali di Roman senza richiedere etichette di verità fondamentale immediate. Ciò è cruciale per le fasi iniziali della missione, quando le etichette verificate dagli esseri umani sono scarse.

Gli autori sottolineano che, sebbene i risultati attuali siano basati su simulazioni, la metodologia è progettata per essere robusta contro l'alta densità di sorgenti e l'affollamento previsti per la Galactic Bulge Time Domain Survey (GBTDS). Affermano che l'inclusione di punteggi di confidenza nel flusso di avvisi permetterà agli astronomi di prendere decisioni informate riguardo alle osservazioni di follow-up. Il lavoro conclude che, sebbene l'attuale richiamo sia limitato dagli artefatti di sottrazione vicino ai nuclei galattici, il framework proposto offre una base promettente per il filtraggio automatizzato dei transienti nell'era di Roman, con lavori futuri focalizzati sull'incorporazione di stelle variabili e sul raffinamento del set di addestramento per escludere le regioni contaminate.