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

기술 요약: DESI 데이터 릴리스 2 ELG: 특성 의존적 하위 샘플, 이미징 계통 오차, 그리고 클러스터링

문제 정의
DESI(Dark Energy Spectroscopic Instrument)와 같은 은하 적색편이 탐사(galaxy redshift surveys)는 중입자 음향 진동(BAO) 및 적색편이 공간 왜곡(RSD)과 같은 우주론적 신호를 측정하는 것을 목표로 한다. 그러나 관측 심도(depth), 시잉(seeing), 전경 밀키웨이(Milky Way)의 특성 변화에 기인한 이미징 데이터의 불균질성은 투영된 은하 밀도장에 인위적인 변동을 유발한다. 이를 교정하지 않으면, 이러한 이미징 계통 오차(imaging systematics)는 가짜 클러스터링 신호를 생성하여 우주론적 매개변수 추정에 편향을 일으킬 수 있다.

DESI 협력단은 이러한 효과를 완화하기 위해 계통 오차 가중치(systematic weights)를 사용하지만, 방출선 은하(ELG)에 대한 표준 접근 방식은 완전 연결 피드 포워드 신경망(fully connected Feed Forward Neural Network, SYSNet)에 의존한다. 이 방식은 유연하지만, 머신러닝 접근법은 과잉 교정(overcorrection)을 초래하거나 실제 우주론적 신호를 제거할 위험이 있다. 또한, ELG는 DESI에서 가장 어두운 추적자(tracer)이며, 그 플럭스(flux)가 이미징 탐사의 검출 한계 근처에 있어 이미징 심도 변화에 매우 민감하다. DESI 1년 차 데이터에 대한 이전 분석에서는 BAO 규모 너머의 영역에서 잔류하는 가짜 신호가 나타났으며, 이는 현재의 가중치 방식이 복잡한 샘플에는 불충분할 수 있음을 시사한다.

방법론
본 연구는 $0.8 < z < 1.1$ 적색편이 범위의 DESI DR2 ELG를 위한 대안적인 계통 오차 가중치 도출 방법을 제안한다. 방법론은 세 가지 주요 구성 요소로 이루어진다:

1. 특성 의존적 하위 샘플링(Property-Dependent Subsampling): 모든 ELG를 하나의 균질한 샘플로 취급하는 대신, 저자들은 다섯 가지 특정 은하 특성을 기준으로 하위 샘플을 정의한다:

   • 항성 질량 ($\log M_*$)
   • [OII] 광도 ($\log L_{[OII]}$)
   • g-band 파이버 크기 ($g_{fib}$)
   • $g-r$ vs $r-z$ 평면에서의 적색편이 최적화 경계로부터의 수직 거리 ($D_{grz}^z$)
   • $g-r$ vs $r-z$ 평면에서의 항성 궤적(stellar locus) 경계로부터의 수직 거리 ($D_{grz}^s$)

2. 계통 오차 가중치를 위한 선형 회귀(Linear Regression for Systematic Weights): 각 하위 샘플에 대해, 저자들은 다른 DESI 추적자(LRG 및 퀘이사 등)에 사용된 것과 동일한 다중 선형 회귀 방법을 사용하여 계통 오차 가중치를 재도출한다(기존의 신경망 대신). 이 접근 방식은 투영된 은하 밀도를 10개의 이미징 특성(항성 밀도, HI 기둥 밀도, g, r, z 필터의 심도/시잉 포함)의 선형 함수로 모델링하고, 이 모델을 역산하여 가중치를 계산한다. 이는 머신러닝의 과적합 위험 없이 물리적 유연성을 제공한다.

3. 정교화된 광도 영역 처리(Refined Photometric Region Treatment): 저자들은 남반구 하늘의 ELG에 대해 기존의 북반구/남반구 광도 구분이 불충분하다는 점을 확인했다. 이들은 남반구 영역을 "South-DES"(Dark Energy Survey 발자국)와 "South-DECaLS"(Legacy Survey)로 분리할 것을 제안한다. 이는 깊은 DES 이미징이 얕은 DECaLS 영역에 비해 서로 다른 ELG 수 밀도와 적색편이 분포를 생성한다는 관찰에 근거하며, 특히 항성 궤적에서 멀리 떨어진 샘플에서 두드러진다.

주요 결과

• 하위 샘플 변동성: 분석 결과, ELG의 특성이 이미징 계통 오차에 대한 반응에 상당한 영향을 미친다는 것이 밝혀졌다. 높은 항성 질량, 낮은 [OII] 광도, 그리고 항성 궤적으로부터의 큰 거리($D_{grz}^s$)를 가진 하위 샘플은 새로운 선형 회귀 가중치를 사용할 때 기존의 SYSNet 가중치와 비교하여 가장 유의미한 편차를 보였다.
• 가짜 신호 완화: 약 10%의 하위 샘플(특히 높은 항성 질량, 낮은 [OII] 광도, 높은 $D_{grz}^s$를 가진 샘플)에 대해, 특성 의존적 선형 가중치는 $r_p \sim 10 \, h^{-1}\text{Mpc}$ 부근의 가짜 클러스터링 신호를 추가로 완화하여, 투영된 2점 상관 함수(2PCF)의 기울기를 이론적 기대치에 더 가깝게 만들었다.
• DES 발자국의 영향: 본 연구는 항성 궤적에서 멀리 떨어진 ELG들이 깊은 DES 발자국 내에는 거의 존재하지 않음을 입증한다. 이들이 얕은 Legacy Survey 영역에 존재하는 것은 측정 산란(measurement scatter) 때문일 가능성이 높다. 따라서 남반구를 단일 영역으로 취급하는 것은 부정확한 무작위 카탈로그(random catalog)와 회귀 이상치를 발생시킨다. 남반구를 South-DES와 South-DECaLS로 분리함으로써 각 지역의 독특한 밀도와 적색편이 분포를 보존하고, 가중치 체계에 의한 DES 과밀도(overdensity)의 인위적인 억제를 방지할 수 있다.
• 전체 샘플 동작: 전체 ELG 샘플에 적용했을 때, (정교화된 영역 처리를 포함한) 특성 의존적 선형 가중치는 기존의 SYSNet 방식보다 더 많은 과잉 대규모 신호(excess large-scale signal)를 나타냈다. 저자들은 전체 샘플의 경우 신경망이 여전히 최적이지만, 특정 하위 샘플에 대해서는 선형 및 특성 의존적 접근 방식이 더 우수하다고 결론지었다.

의의 및 주장
본 논문은 DESI ELG의 다양한 집단에 대해 "하나의 크기로 모두 통용되는(one-size-fits-all)" 계통 오차 가중치 접근 방식이 불충분하다고 주장한다. 주요 기여는 다음과 같다:

1. 하위 샘플별 가중치의 타당성 입증: 은하 특성에 따라 계통 오차 가중치를 맞춤화하는 것이 특히 이미징 계통 오차에 취약한 특정 데이터 하위 집단에 대해 클러스터링 측정을 개선할 수 있음을 입증하였다.
2. 지역별 처리의 필요성 확립: 무작위 카탈로그와 계통 오차를 정확하게 모델링하기 위해 DES 발자국이 LSS 카탈로그 생성 파이프라인에서 별도의 처리를 받아야 함을 확립하였다.
3. 대상 선택에 대한 물리적 통찰: 극단적인 색상(항성 궤적에서 먼 경우)을 가진 ELG는 물리적 집단이라기보다 얕은 이미징에서의 측정 산란에 의한 결과물일 가능성이 높음을 강조하였으며, 이는 $D_{grz}^s$에 대한 컷(cut)이 더 일관된 샘플을 생성할 수 있음을 시사한다.

저자들은 하위 샘플에 대해서는 자신들의 방법이 개선을 제공하지만, DESI의 주요 우주론적 분석 맥별로는 기존의 신경망 기반 가중치가 여전히 최적의 선택이라고 주장한다. 이들은 향후 DESI 릴리스와 다른 조사들(Vera Rubin Observatory 등)이 클러스터링 측정의 정확도를 높이기 위해 특성 의존적 처리와 정교화된 광도 영역 구분을 고려해야 한다고 제안한다.