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

Sintesi Tecnica: Il Catalogo dei Corrispondenti Chandra-Gaia

Definizione del Problema
La corretta identificazione di sorgenti astronomiche attraverso molteplici cataloghi è fondamentale per la completezza statistica e la classificazione accurata. I metodi tradizionali di cross-matching si basano prevalentemente sulla prossimità posizionale (vicino più prossimo entro un raggio fisso). Sebbene efficaci per survey con astrometria precisa, questi approcci puramente spaziali faticano in regioni di cielo densamente popolate, quando le incertezze posizionali sono elevate o quando vi è uno squilibrio nella precisione astrometrica tra i cataloghi. Inoltre, i metodi puramente spaziali spesso non riescono a distinguere i veri corrispondenti dalle coincidenze casuali quando esistono molteplici candidati plausibili entro il raggio di ricerca. Il Chandra Source Catalog (CSC v2.1) e Gaia Data Release 3 (DR3) presentano proprio tale sfida: mentre Gaia fornisce posizioni ad alta precisione per circa 1,8 miliardi di sorgenti, l'abbinamento con le rilevazioni ai raggi X di Chandra richiede di risolvere le ambiguità in cui la sola prossimità spaziale è insufficiente per determinare la vera associazione fisica.

Metodologia
Gli autori propongono un framework che va oltre il semplice accoppiamento spaziale, integrando le proprietà delle sorgenti (magnitudini, colori, distanze, variabilità) tramite l'apprendimento automatico (ML). La pipeline consiste in quattro fasi:

1. Pre-elaborazione e Generazione Iniziale dei Candidati:
   Gli autori eseguono inizialmente un cross-match posizionale tra il CSC v2.1 e Gaia DR3 utilizzando NWAY, un framework bayesiano che tiene conto degli errori posizionali e delle densità di sorgente. Questo genera un pool iniziale di candidati entro un raggio di 15".

2. Costruzione dei Dati di Addestramento (Insiemi Positivi e Negativi):
   Per addestrare il modello ML senza fare affidamento su una verità di base etichettata, gli autori costruiscono set di addestramento basati su euristiche statistiche:

• Insieme Positivo: Selezionato da match NWAY con alta confidenza ($p_{any} \ge 0,5$, $p_i \ge 0,9$) e piccole separazioni ($\le 1,3''$). Questa soglia di 1,3" è stata derivata da test di Kolmogorov-Smirnov che mostrano come le distribuzioni di magnitudine di corrispondenti probabili e improbabili diventino indistinguibili oltre tale separazione.
• Insieme Negativo: Composto da tre tipi di non-match: "negativi chiari" (candidati con separazione $\ge 5''$), "negativi intermedi" (altri candidati non selezionati $\ge 5''$) e "negativi casuali" (sorgenti Gaia campionate da regioni lontane da qualsiasi sorgente Chandra).
• Sbilanciamento delle Classi: Il dataset è fortemente sbilanciato (circa 30k positivi contro 310k negativi). Gli autori affrontano questo problema effettuando l'upsampling dei negativi casuali e regolando i pesi del campione durante l'addestramento.

3. Modello di Machine Learning:
   Un classificatore LightGBM (gradient-boosted decision tree) viene addestrato per eseguire una classificazione binaria ($y=1$ per vero match, $y=0$ per non-match). Il modello utilizza 32 feature derivate da entrambi i cataloghi, inclusa la fotometria (magnitudini e flussi Gaia $g, BP, RP$), i flussi ai raggi X e i rapporti di durezza (CSC), l'indice di variabilità, la paralasse, il moto proprio e le etichette di classificazione esterne. Fondamentalmente, il modello è addestrato senza utilizzare la separazione posizionale come feature di input, costringendolo a apprendere le associazioni basandosi esclusivamente sulle proprietà fisiche.

4. Soglia e Selezione Finale:
   Il catalogo finale viene generato applicando due criteri indipendenti ai punteggi ML ($p_{ML}$):

• Soglia del Punteggio ML: Viene stabilito un cutoff di $p_{ML} \ge 0,466$. Questo valore corrisponde al percentile della funzione di distribuzione cumulativa (CDF) empirica che coincide con la probabilità stimata di coincidenza casuale ($P_{chance} \approx 0,0176$) per la densità globale di Gaia.
• Soglia di Separazione: Viene applicato un limite di separazione massima ($r_{max}$) basato sull'angolo fuori asse ($\theta$) dell'osservazione di Chandra. Questo limite tiene conto della Funzione di Diffusione del Punto (PSF) di Chandra e delle incertezze astrometriche, variando da 1,5" al punto di mira a 10" per grandi angoli fuori asse.
  Solo i candidati che soddisfano sia $p_{ML} \ge 0,466$ che la separazione $\le r_{max}(\theta)$ sono mantenuti come corrispondenti ML affidabili.

Risultati Chiave

• Rilascio del Catalogo: Gli autori rilasciano un catalogo di circa 113.000 corrispondenti Chandra-Gaia ad alta confidenza.
• Risoluzione delle Ambiguità: Il framework identifica circa 7.000 sorgenti con molteplici match ML plausibili (corrispondenti alternativi) e segnala circa 20.000 sorgenti dove NWAY suggerisce un match basato sulla prossimità, ma il modello ML li rifiuta come probabili coincidenze casuali.
• Validazione (COUP): La pipeline è stata validata rispetto al Chandra Orion Ultradeep Project (COUP). Il metodo ML ha riprodotto il 95% dei cross-match di NWAY senza utilizzare alcuna informazione posizionale, dimostrando che gli emettitori di raggi X sono riconoscibili dalle loro caratteristiche ottiche/IR.
• Metriche di Performance: Sul set di test, la pipeline combinata (punteggio ML + soglia di separazione) ha raggiunto una precisione di 0,98, un richiamo (recall) di 0,79 e un F1-score di 0,87. L'indice di Jaccard tra i match ML e NWAY è di 0,78.
• Analisi della Popolazione: Il catalogo risultante mostra differenze morfologiche distinte nel diagramma di Hertzsprung-Russell (HR) rispetto ai match basati solo su NWAY. I match selezionati tramite ML risolvono chiaramente i cluster della sequenza principale e delle nane bianche, mentre i match basati solo su NWAY appaiono sbiaditi, suggerendo che il metodo ML filtra efficacemente le associazioni spurie.

Significatività e Rivendicazioni
L'articolo sostiene che questo lavoro fornisce un approccio sistematico e flessibile per il cross-matching che sfrutta appieno i dati multidimensionali dei cataloghi. La significatività primaria risiede in:

1. Risoluzione delle Ambiguità: Il metodo distingue con successo i veri corrispondenti dalle coincidenze casuali in campi affollati dove il matching spaziale fallisce, identificando ~20.000 sorgenti dove i metodi basati sulla prossimità probabilmente generano falsi positivi.
2. Generalizzabilità: Gli autori presentano un framework generale (processo in cinque fasi) applicabile a qualsiasi scenario di cross-matching tra cataloghi arbitrari, non limitato a Chandra e Gaia.
3. Complementarità: Gli autori dichiarano esplicitamente di non intendere sostituire i metodi spaziali come NWAY, ma di integrali. Incorporando le proprietà fisiche, il metodo recupera i match corretti in scenari che coinvolgono errori sistematici di coordinate, distorsioni della PSF o contaminazione da parte di intrusi casuali.
4. Astrofisica Stellare: Il catalogo risultante supporta gli studi di popolazione dell'attività stellare ai raggi X, permettendo la costruzione di funzioni di luminosità dettagliate e l'indagine dell'evoluzione dell'attività magnetica, poiché i match sono fortemente orientati verso le popolazioni stellari.

Gli autori notano dei limiti, stimando un tasso di errore sistematico di circa il 7% per i match ML, particolarmente nei casi in cui i dati di Gaia possano essere incompleti o in cui le sorgenti siano outlier nella distribuzione di addestramento. Suggeriscono che futuri rilasci di dati potrebbero risolvere alcune delle rimanenti discrepanze.