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

기술 요약: HST/CANDELS 를 활용한 로마 우주 망원경의 딥러닝 광도적 적색편이 최적화

문제 제기
낸시 그레이스 로마 우주 망원경은 고해상도 심층 근적외선 영상을 대량으로 생성할 것이며, 우주론, 은하 진화, 그리고 천체 현상 연구를 위해 수억 개의 은하에 대한 정확한 광도적 적색편이 (photo-z) 추정이 필수적입니다. 픽셀 수준의 정보를 활용하는 딥러닝 (DL) 방법은 저적색편이 지상 기반 영상에서 전통적인 템플릿 피팅 및 고전적 기계 학습 (ML) 방법보다 우수한 성능을 입증했으나, 어둡고 고적색편이 ($z \sim 3$) 인 우주 기반 데이터에서의 효능은 아직 검증되지 않았습니다. 중요한 과제는 어두운 천체에 대한 분광적 적색편이 (spec-z) 라벨의 부족입니다. 로마 망원경의 영상 획득 속도는 분광 후속 관측 속도를 훨씬 앞지를 것입니다. 따라서 DL 알고리즘이 제한된 라벨 데이터와 함께 방대한 라벨 없는 이미지를 효과적으로 활용하여 이 영역에서 최적의 광도적 적색편이 정밀도를 달성할 수 있는지 확인해야 합니다.

방법론
저자들은 로마 데이터를 대신할 대리 데이터로 허블 우주 망원경 (HST) CANDELS 탐사를 활용하여, 분광학, 그리즘 데이터, 그리고 다대역 광도측정으로부터 도출된 신뢰할 수 있는 적색편이 라벨 ($z_{ref}$) 을 가진 99,505 개의 천체를 선정했습니다. 데이터셋은 라벨이 있는 (학습, 검증, 테스트) 부분과 라벨이 없는 부분으로 나뉘었습니다. 본 연구는 네 가지 서로 다른 접근 방식을 비교했습니다:

1. 고전적 기준선:

   • 템플릿 피팅: LePHARE 를 사용하여 관측된 광도 데이터를 스펙트럼 에너지 분포 (SED) 템플릿에 적합시킵니다.
   • ML 광도측정: 통합된 광도 색상과 크기를 기반으로 학습된 완전 감독형 다층 퍼셉트론 (MLP).

2. 딥러닝 접근법:

   • 완전 감독형 CNN: 픽셀 데이터로부터 적색편이를 직접 예측하기 위해 라벨이 있는 이미지만으로 학습된 ConvNeXt 아키텍처.
   • 자기 감독형 CNN: 모든 라벨 없는 이미지에서 대비 학습 (MoCo) 을 통해 사전 학습하여 잠재 표현을 학습한 후, 라벨이 있는 부분으로 미세 조정하여 적색편이를 예측하는 2 단계 접근법.
   • 반감독형 CNN (PITA): 세 가지 손실 함수를 동시에 최적화하는 새로운 "삼중 작업 알고리즘을 통한 광도적 적색편이 추론 (Photo-z Inference with a Triple-task Algorithm)":
     • 대비 손실 ($L_{contrastive}$): 라벨이 있거나 없는 모든 이미지에서 학습되어 형태학적 특징을 포착합니다.
     • 색상 손실 ($L_{color}$): 모든 이미지에서 학습되어 잠재 공간이 광도 색상을 인코딩하도록 보장합니다.
     • 적색편이 손실 ($L_{z}$): 라벨이 있는 이미지에서만 학습되어 잠재 공간을 적색편이 값과 정렬시킵니다.

저자들은 자기 감독형 및 반감독형 모델이 생성한 잠재 공간을 시각화하기 위해 균일 매니폴드 근사 및 투영 (UMAP) 을 활용하여, 이러한 공간이 밝기, 색상, 형태, 그리고 적색편이를 얼마나 잘 인코딩했는지 분석했습니다.

주요 결과

• 성능 지표: 반감독형 PITA 알고리즘은 밝은 천체 ($m_{F160W} < 22$) 와 어두운 천체 ($m_{F160W} < 25$) 모두에 대해 모든 지표 (편향, 정규화 중앙 절대 편차 $\sigma_{NMAD}$, 그리고 이상치 비율 $f_{outlier}$) 에서 최고의 성능을 달성했습니다. 광도측정 기반 MLP 기준선과 비교할 때, PITA 는 전체 테스트 세트에서 편향을 34%, $\sigma_{NMAD}$를 14%, 그리고 이상치 비율을 17% 감소시켰으며, 밝은 천체의 경우 더 큰 개선을 보였습니다.
• 딥러닝 대 광도측정: 완전 감독형 CNN 은 템플릿 피팅 및 광도측정 전용 ML 방법 모두보다 우수한 성능을 보여, 통합 플럭스 이상으로 픽셀 수준의 정보에 적색편이 관련 추가 데이터가 포함되어 있음을 확인시켜 주었습니다. 이는 어둡고 고적색편이 은하에서도 마찬가지였습니다.
• 순수 자기 감독의 실패: 이전 저적색편이 연구에서는 성공적이었던 자기 감독형 대비 학습 접근법은 이 고적색편이 영역에서 완전 감독형 CNN 에 비해 성능이 저하되었습니다. UMAP 시각화는 자기 감독형 잠재 공간이 주로 밝기와 크기 (형태) 를 인코딩했으나, 색상과 적색편이의 부드러운 기울기를 포착하지 못해 광도적 적색편이 추론에서 상당한 변동을 초래했음을 보여주었습니다.
• 라벨 부족에 따른 확장성: PITA 는 라벨이 있는 학습 데이터셋의 크기가 크게 줄어들어도 견고한 성능을 유지했습니다. 라벨이 줄어들면 성능이 급격히 저하되는 완전 감독형 모델과 달리, PITA 는 대비 및 색상 손실을 통해 라벨 없는 데이터를 활용하여 정보 풍부한 특징을 학습하고, 희소한 라벨을 사용하여 회귀를 위한 잠재 공간을 정렬함으로써 우수한 정확도를 유지했습니다.

의의 및 주장
이 논문은 대부분의 천체 (특히 고적색편이 및 어두운 밝기 영역) 에서 분광적 라벨이 희소할 것으로 예상되는 로마 우주 망원경의 경우, 반감독형 딥러닝이 최적의 전략이라고 주장합니다. 저자들은 순수 자기 감독형 방법이 픽셀 데이터의 주된 변동이 색상보다는 밝기와 형태에 의해 주도되기 때문에, 심층 우주 기반 데이터셋에서 광도적 적색편이 추론에 필요한 특정 물리적 특성 (색상과 적색편이) 을 인코딩하지 못할 수 있다고 논증합니다.

PITA 알고리즘을 도입함으로써 저자들은 광도 색상의 명시적 예측과 적색편이를 함께 포함하는 도메인 지식을 통합함으로써 잠재 공간이 물리적으로 정보-rich 하도록 유도할 수 있음을 보여줍니다. 이는 희소한 학습 적색편이 간의 부드러운 보간을 가능하게 하여, 라벨이 풍부한 밝은 천체와 라벨이 부족한 어두운 천체 모두에 대한 정확한 광도적 적색편이 추정을 가능하게 합니다. 본 연구는 향후 탐사가 심층 영상 임무로부터 과학적 성과를 극대화하기 위해 라벨 없는 이미지 데이터와 도메인 특정 제약 (예: 색상) 을 결합한 반감독형 접근법을 활용해야 한다고 결론 내립니다.