Enhancing weak lensing redshift distribution characterization by optimizing the Dark Energy Survey Self-Organizing Map Photo-z method

Technische Samenvatting: Verbeteren van de karakterisering van de roodverschuivingsverdeling van zwakke lensing door optimalisatie van de Dark Energy Survey Self-Organizing Map photo-z methode

Probleemstelling
Nauwkeurige karakterisering van de roodverschuivingsverdeling, $n(z)$, van sterrenstelselensembles is een cruciale voorwaarde voor kosmologische studies van grootschalige structuren, met name voor analyses van zwakke gravitationele lensing. Fotometrische surveys, hoewel in staat om enorme aantallen sterrenstelsels te fotograferen, lijden aan het onvermogen om nauwkeurige afstanden direct te meten. In plaats daarvan vertrouwen ze op fotometrische roodverschuivingen (photo-z) die worden afgeleid van breedbandige fluxen. Een primaire uitdaging in dit domein is de degeneratie in de kleur-roodverschuivingsrelatie, wat een unieke bepaling van de roodverschuiving verhindert. Bovendien zijn de bronstalen voor lensing doorgaans zwakker, dieper en blauwer dan de heldere rode sterrenstelsels die vaak voor kalibratie worden gebruikt, waardoor hun roodverschuivingsverdelingen moeilijker nauwkeurig te karakteriseren zijn. Onnauwkeurige $n(z)$-karakterisering introduceert systematische fouten die kosmologische parameterbeperkingen, zoals die voor donkere energie en donkere materie, kunnen beïnvloeden.

Methodologie
Dit werk onderzoekt verbeteringen aan de Self-Organizing Map (SOM) methodologie die wordt gebruikt voor photo-z schatting (SOMPZ) in de context van de Dark Energy Survey (DES). De studie maakt gebruik van DES Year 3 (Y3) data als testbed om de diepere DES Year 6 (Y6) dataset voor te bereiden. De standaard SOMPZ-aanpak maakt gebruik van twee SOM's: een "Deep SOM" getraind op diepe velden (inclusclusief spectroscopische roodverschuivingen) en een "Wide SOM" getraind op de breedveld-broncatalogus. De roodverschuivingsverdeling van de brede steekproef wordt afgeleid door breedveld-sterrenstelsels naar de Deep SOM te mappen via een transferfunctie afgeleid van Balrog-injecties (gesimuleerde sterrenstelsels die in echte beelden zijn ingevoegd).

De auteurs stellen drie specifieke strategieën voor en testen deze om de bestaande Y3 SOMPZ-framework te verbeteren:

1. Algoritmische vervanging (SOMF): Het vervangen van het standaard SOM-algoritme (dat uitgaat van ideale trainingsdata) door het SOMF-algoritme voorgesteld door Sánchez & Raveri et al. (2020). SOMF is ontworpen om metheidsonzekerheden in zwakke sterrenstelsels aan te pakken door de afstandmetriek en de regels voor gewichtsaanpassing te herdefiniëren. Het converteert fluxen naar signaal-ruisverhouding (SNR) eenheden en maakt gebruik van een afstandmetriek die overgaat van Euclidische afstand in lineaire flux (lage SNR) naar log-flux (hoge SNR), waardoor de gevoeligheid voor ruis en uitschieters wordt verminderd.
2. Inclusie van de $g$-band: Het integreren van $g$-band fluxinformatie in de brede SOM-training en toewijzing. Hoewel de $g$-band werd uitgesloten van de Y3 zwakke lensing vormmetingen vanwege problemen met de Point Spread Function (PSF) kalibratie, testen de auteurs de bruikbaarheid ervan puur voor fotometrische roodverschuivingsschatting, waarbij zij hypothetiseren dat de extra kleurinformatie de roodverschuivingsbins beter kan beperken.
3. Roodverschuiving als kenmerk: Een onconventionele benadering waarbij spectroscopische roodverschuivingen (wanneer beschikbaar) als een expliciet kenmerk aan de inputvector voor de Deep SOM worden toegevoegd. Dit test of het expliciet verstrekken van de doelvariabele tijdens het ongesuperviseerde clusteringproces de resulterende $n(z)$ verbetert, ondanks het risico op overfitting of het schenden van het ongesuperviseerde karakter van de methode.

Belangrijkste Resultaten
De analyse vergelijkt de aangepaste methoden met de fiduciaire Y3 SOMPZ-resultaten met behulp van dezelfde onderliggende datasets (Wide, Deep, Redshift, en Balrog samples).

• Overlap van roodverschuivingsbins: De primaire metriek voor succes is de reductie van de overlap tussen tomografische roodverschuivingsbins, wat signaalcontaminatie tussen bins minimaliseert.
  • Strategie 1 (SOMF): Het overstappen naar het SOMF-algoritme alleen verminderde de mediane standaarddeviatie van de roodverschuivingsverdeling per cel met ongeveer 20% vergeleken met de Y3 SOM. Het resulteerde in een 3% reductie in overlap voor de 0-1 bin-paar.
  • Strategie 2 (g-band): Het toevoegen van de $g$-band aan de fiduciaire Y3 SOM verminderde de overlap met 23% voor de 0-1 bin-paar.
  • Gecombineerde Strategie (SOMF + g-band): Het combineren van het SOMF-algoritme met $g$-band informatie leverde de meest significante verbeteringen op. Deze combinatie reduceerde de overlap tussen de 1-3 bin-paar met 66% en de 1-2 bin-paar met 33% vergeleken met de fiduciaire Y3 SOM die alleen $riz$ banden gebruikte. De resulterende $n(z)$-verdelingen vertoonden scherpere pieken en beter gedefinieerde bins.
• Roodverschuiving als kenmerk: De derde strategie, het toevoegen van roodverschuiving als een inputkenmerk, leverde inferieure resultaten op vergeleken met de fiduciaire methode en werd daarom verworpen.
• Kosmologische Impact: De paper merkt op dat het vervangen van een SOM-algoritme een volledige reconstructie van de datacontent vereist, inclusief 2-punts statistieken en covariantie-matrices. Hoewel het SOMF-algoritme met $riz$ banden volledig werd gepropageerd naar kosmologische parameterbeperkingen ($S_8 - \Omega_m$ vlak), kon de inclusie van de $g$-band in dit werk niet volledig worden gepropageerd naar kosmologische parameters vanwege het gebrek aan $g$-band vormmetingen in Y3. In plaats daarvan werden gesimuleerde datacontent gebruikt om contouren te vergelijken, wat aangeeft dat de verbeterde roodverschuivingsbins de beperkingen zouden aanscherpen.

Betekenis en Claims
De auteurs claimen dat hun bevindingen aantonen dat het optimaliseren van de SOM-methodologie de karakterisering van de roodverschuivingsverdelingen van zwakke lensing aanzienlijk kan verbeteren zonder dat nieuwe observationele data nodig zijn. Door het SOMF-algoritme (dat rekening houdt met meetfouten) te combineren met de inclusie van de $g$-band flux, hebben de auteurs de overlap tussen roodverschuivingsbins in de DES Y3 data met maximaal 66% verminderd.

De paper positioneert deze resultaten als een cruciale stap richting de definitieve DES Year 6 analyse en toekomstige Stage IV surveys zoals de Rubin Observatory en Euclid. De auteurs betogen dat naarmate de statistische fouten afnemen in grotere datasets, de robuustheid van de methodologie van cruciaal belang wordt. Het feit dat verschillende SOM-implementaties (Y3 vs. SOMF) consistente kosmologische conclusies opleveren, vergroot het vertrouwen in de methode. Bovendien motiveert de succesvolle integratie van de $g$-band voor photo-z schatting (zelfs als deze nog niet voor vormmeting bruikbaar is) het belang van goed gekalibreerde PSF's in deze band voor toekomstige analyses, waar dergelijke data naar verwachting bruikbaar zal zijn voor zowel vorm- als roodverschuivingsschatting. Dit werk legt de basis voor het bereiken van de vereiste sub-procentuele beperkingen op de gemiddelde roodverschuivingsverdeling voor de volgende generatie kosmologische surveys.