DESI Data Release 2 ELGs: Property-dependent subsamples, imaging systematics, and clustering

技術要約：DESI 第2次データリリース2（DR2）におけるELG：特性依存サブサンプル、イメージング・システマティクス、およびクラスタリング

問題提起
ダークエネルギー分光器（DESI）のような銀河赤方偏移サーベイは、バリオン音響振動（BAO）や赤方偏移空間歪み（RSD）といった宇宙論的信号の測定を目的としている。しかし、サーベイの深さ、シーイング、および前景の天の川銀河の特性に起因するイメージングデータの不均一性は、投影された銀河密度場に人工的なゆらぎを誘発する。これらが補正されない場合、イメージング・システマティクスは偽のクラスタリング信号を生み出し、宇宙論パラメータの推定にバイアスを与える可能性がある。

DESIコラボレーションは、これらの影響を緩和するためにシステマティック重みを採用しているが、放出線銀河（ELG）に対する標準的な手法は、完全に結合されたフィードフォワードニューラルネットワーク（SYSNet）に依存している。この手法は柔軟ではあるものの、機械学習によるアプローチは過剰補正や真の宇宙論的信号の除去を招くリスクがある。さらに、ELGはDESIにおける最も暗いトレーサーであり、そのフラックスはイメージングサーベイの検出限界付近にあるため、イメージングの深さの変化に対して極めて敏感である。DESI第1年次データの先行解析では、BAOを超えるスケールにおいて残留する偽の信号が示されており、現在の重み付けスキームが複雑なサンプルに対しては不十分である可能性を示唆している。

手法
本研究では、DESI DR2のELG（赤方偏移範囲 $0.8 < z < 1.1$）に対し、システマティック重みの代替的な導出方法を提案する。この手法は、主に以下の3つのコンポーネントで構成される。

1. 特性依存サブサンプリング： すべてのELGを単一の均質なサンプルとして扱うのではなく、著者らは以下の5つの特定の銀河特性に基づいてサブサンプルを定義する：

   • 星質量 ($\log M_*$)
   • [OII] 光度 ($\log L_{[OII]}$)
   • gバンド・ファイバー等級 ($g_{fib}$)
   • $g-r$ 対 $r-z$ 平面における赤方偏移最適化境界からの垂直距離 ($D_{grz}^z$)
   • $g-r$ 対 $r-z$ 平面における恒星軌跡（stellar locus）境界からの垂直距離 ($D_{grz}^s$)

2. システマティック重みのための線形回帰： 各サブサンプルについて、著者らは（LRGやクエーサーといった他のDESIトレーサーと同様の手法である）多重線形回帰法を用いてシステマティック重数を再導出する。これは、フィデューシャルなニューラルネットワークではなく、投影された銀河密度を10個のイメージング特性（恒星密度、HIカラム密度、および $g, r, z$ フィルタにおける深さ/シーイングを含む）の線形関数としてモデル化し、そのモデルを反転させて重みを計算するものである。これにより、機械学習に伴う過学習のリスクを回避しつつ、物理的な柔軟性を提供する。

3. 精緻化された測光領域の扱い： 著者らは、南天におけるELGに対して標準的な南北の測光区分の区別が不十分であることを指摘している。彼らは、南天の領域を「South-DES」（Dark Energy Surveyのフットプリント）と「South-DECaLS」（Legacy Survey）に分割することを提案する。これは、深いDESのイメージングが、浅いDECaLS領域と比較して、異なるELG数密度および赤方偏移分布を生み出すという観察に基づいている。特に、恒星軌跡から遠いサブサンプルにおいて顕著である。

主な結果

• サブサンプルの多様性： 解析の結果、ELGの特性がイメージング・システマティクスへの応答に大きく影響することが明らかになった。高い星質量、低い[OII]光度、および恒星軌跡からの大きな距離（$D_{grz}^s$）を持つサブサンプルは、新しい線形回帰の重みを用いた際に、フィデューシャルのSYSNet重みと比較して最も顕著な偏差を示した。
• 偽の信号の緩和： 約10%のサブサンプル（具体的には、高い星質量、低い[OII]光度、および高い $D_{grz}^s$ を持つもの）において、特性依存の線形重みは $r_p \sim 10 \, h^{-1}\text{Mpc}$ 付近のスケールにおける偽のクラスタリング信号をさらに緩和し、投影された二点相関関数（2PCF）の傾きを理論的期待値に近づけた。
• DESフットプリントの影響： 本研究は、恒星軌跡から遠いELGが深いDESフットプリントにはほとんど存在しないことを示している。これらの存在は、浅いLegacy Survey領域における測定の散乱によるものである可能性が高い。したがって、南天を単一の領域として扱うことは、不正確なランダムカタログや回帰の外れ値を生む原因となる。South-DESとSouth-DECaLSを分離することで、これら両領域の異なる密度と赤方偏移分布を保持し、重み付けスキームによるDESの過密状態の人工的な抑制を防ぐことができる。
• フルサンプルの挙動： フルサンプルに適用した場合、特性依存の線形重み（精緻化された領域処理を用いても）は、フィデューシャルのSYSNetアプローチと比較して過剰な大規模信号をもたらす。著者らは、フルサンプルにおいてはニューラルネットワークが依然として最適であるが、特定のサブサンプルについては、線形かつ特性依存のアプローチの方が優れていると結論付けている。

意義と主張
本論文は、「画一的な」システマティック重みの手法は、多様なDESI ELG集団に対しては不十分であると主張している。主な貢献は以下の通りである：

1. サブサンプル固有の重みの妥当性確認： 銀河の特性に基づいてシステマティック重みをカスタマイズすることが、特にイメージング・システマティクスに対して脆弱な特定のデータセットにおいて、クラスタリング測定を改善できることを示した。
2. 領域特異的な処理の必要性： LSSカタログ作成パイプラインにおいて、ランダムカタログとシステマティックを正確にモデル化するためには、DESフットプリントを南天の他の領域とは別に扱う必要があることを確立した。
3. ターゲット選択に関する物理的洞察： 極端な色を持つELG（恒星軌跡から遠いもの）は、物理的な集団ではなく、浅いイメージングにおける測定の散乱によるアーティファクトである可能性が高く、$D_{grz}^s$ に対するカットがより一貫したサンプルを生み出す可能性があることを強調した。

著者らは、提案手法が特定のサブサンプルに対して改善をもたらす一方で、DESIの主要な宇宙論解析の文脈においては、フィデューシャルのニューラルネットワークベースの重みが引き続き最適であるとの立場を維持している。彼らは、将来のDESIリリースや他のサーベイ（Vera Rubin Observatoryなど）において、クラスタリング測定の精度を高めるために、特性依存の処理や精緻化された測光領域の区別を検討すべきであると示唆している。