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

技術要約：Chandra-Gaia カウンターパート・カタログ

問題提起
複数のカタログ間で天文学的なソースを正しく同定することは、統計的な完全性と正確な分類の基礎となる。従来のクロスマッチング手法は、主に位置の近接性（固定半径内の最近傍）に依存している。この空間のみの手法は、精密なアストロメトリを持つサーベイには有効であるが、天体が密集した領域、位置の不確かさが大きい場合、あるいはカタログ間でアストロメトリの精度に不均衡がある場合に困難に直面する。さらに、純粋な空間的手法は、探索半径内に複数の妥当な候補が存在する場合、真のカウンターパートと偶然の一致を区別できないことが多い。Chandra Source Catalog (CSC v2.1) と Gaia Data Release 3 (DR3) は、まさにそのような課題を提示している。Gaia は約18億のソースに対して高精度な位置情報を提供している一方で、これらを Chandra の X 線検出と照合するには、空間的な近接性だけでは真の物理的関連性を決定するには不十分な曖昧さを解決する必要がある。

手法
著者らは、機械学習（ML）を用いてソースの特性（マグニチュード、色、距離、変動性）を統合することにより、純粋な空間マッチングを超えたフレームワークを提案している。パイプラインは以下の4つの段階で構成される：

1. 前処理および初期候補生成：
   著者らはまず、NWAY（位置誤差とソース密度を考慮したベイズ・フレームワーク）を用いて、CSC v2.1 と Gaia DR3 の間の位置的なクロスマッチを実行する。これにより、15" 半径内の初期候補プールが生成される。

2. 学習データの構築（ポジティブおよびネガティブ集合）：
   ラベル付けされたグラウンドトゥルースに頼らずに ML モデルを訓練するために、著者らは統計的なヒューリスティックに基づいて学習セットを構築する：

• ポジティブ集合： NWAY マッチのうち、高い信頼度（$p_{any} \ge 0.5, p_i \ge 0.9$）かつ小さな分離角（$\le 1.3''$）を持つものから選択される。この 1.3" という閾値は、マグニチュードの分布において、おそらく的なカウンターパートとそうでないカウンターパートが判別不能になる分離角を示すコルモゴロフ・スミルノフ検定によって導出された。
• ネガティブ集合： 3 種類の非一致ソースで構成される。「明確なネガティブ」（分離角 $\ge 5''$ の候補）、「中間的なネガティブ」（$5''$ 以上の他の非選択候補）、および「ランダムなネガティブ」（Chandra ソースから遠く離れた領域からサンプリングされた Gaia ソース）。
• クラス不均衡： データセットは著しく不均衡である（約3万のポジティブに対し、31万のネガティブ）。著者らは、ランダムなネガティブのアップサンプリングと、訓練中のサンプル重みの調整によってこれに対処している。

3. 機械学習モデル：
   二値分類（$y=1$ を真のマッチ、$y=0$ を非一致とする）を行うための LightGBM（勾配ブースティング決定木）分類器が訓練される。モデルは、フォトメトリ（Gaia の $g, BP, RP$ マグニチュードおよびフラックス）、X 線フラックスおよびハードネス比（CSC）、変動指数、年周視差、固有運動、および外部の分類ラベルを含む、両方のカタログから派生した 32 個の特徴量を利用する。極めて重要な点は、モデルが位置の分離角を特徴量として使用せずに訓練されていることであり、これにより、物理的特性のみに基づいて関連性を学習することを強制している。

4. 閾値設定および最終選択：
   最終的なカタログは、2 つの独立した基準を ML スコア（$p_{ML}$）に適用することで生成される：

• ML スコア閾値： $p_{ML} \ge 0.466$ というカットオフ値が設定される。この値は、グローバルな Gaia 密度に対する推定される偶然の一致の確率（$P_{chance} \approx 0.0176$）に一致する経験的累積分布関数（CDF）のパーセンタイルに対応している。
• 分離角閾値： Chandra の点広がり関数（PSF）およびアストロメトリの不確かさを考慮し、Chandra 観測のオフアクシス角（$\theta$）に基づいた最大分離限界（$r_{max}$）が適用される。この限界は、エイムポイントでの 1.5" から、大きなオフアクシス角での 10" まで変化する。
  両方の条件（$p_{ML} \ge 0.466$ かつ 分離角 $\le r_{max}(\theta)$）を満たす候補のみが、確信度の高い ML マッチとして保持される。

主な結果

• カタログリリース： 著者らは、約 113,000 個の高信頼度 Chandra-Gaia カウンターパートを含むカタログを公開している。
• 曖昧さの解決： 本フレームワークは、複数の妥当な ML マッチ（代替カウンターパート）を持つ約 7,000 個のソースを特定し、NWAY が近接性に基づいてマッチを示唆しているものの、ML モデルがそれらを偶然の一致であるとして拒絶した約 20,000 個のソースをフラグ立てしている。
• 検証（COUP）： パイプラインは、Chandra Orion Ultradeep Project (COUP) を用いて検証された。ML 手法は、位置情報を使用することなく NWAY のクロスマッチの 95% を再現しており、X 線放射天体が光学/赤外線の特性によって識別可能であることを示した。
• 性能指標： テストセットにおいて、結合されたパイプライン（ML スコア + 分離角閾値）は、適合率 0.98、再現率 0.79、および F1 スコア 0.87 を達成した。ML と NWAY のマッチ間のジャカード指数は 0.78 であった。
• 集団解析： 得られたカタログは、ヘルツシュプルング・ラッセル（HR）図において、NWAY のみのマッチと比較して明確な形態学的差異を示している。ML によって選択されたマッチは主系列および白矮星のクラスターを明確に解明しているが、NWAY のみのマッチはそれらがぼやけており、これは ML 手法が偽の関連を効果的にフィルタリングしていることを示唆している。

意義および主張
本論文は、多次元的なカタログデータを完全に活用した、体系的かつ柔軟なクロスマッチングのアプローチを提供することを主張している。主な意義は以下の通りである：

1. 曖昧さの解決： 本手法は、空間的なマッチングが失敗する密集した領域において、真のカウンターパートを偶然の一致から見事に区別し、近接性に基づく手法が偽陽性を生じさせる可能性が高い約 2 万個のソースを特定している。
2. 汎用性： 著者らは、Chandra と Gaia に限定されず、任意のカタログ間におけるあらゆるクロスマッチングのシナリオに適用可能な、一般的なフレームワーク（5 ステップのプロセス）を提示している。
3. 補完性： 著者らは、本手法が NWAY のような空間的手法に取って代わることを意図しているのではなく、それらを補完することを明示している。物理的特性を取り入れることで、座標の系統誤差、PSF の歪み、または偶然の侵入者による混入を含むシナリオにおいて、正しいマッチを回収することができる。
4. 恒星天体物理学： 得られたカタログは、恒星の X 線活動の集団研究をサポートし、詳細な光度関数の構築や磁気活動の進化の研究を可能にする。なぜなら、これらのマッチは恒星集団に大きく重み付けされているからである。

著者らは、特に Gaia のデータが不完全な場合や、ソースが訓練分布の外れ値である場合に、ML マッチに約 7% の系統誤差があると見積もり、限界事項を述べている。彼らは、今後のデータリリースによって残りの不一致が解決される可能性があることを示唆している。