Euclid: Improving redshift distribution reconstruction using a deep-to-wide transfer function

Technische Samenvatting: Euclid: Verbetering van de reconstructie van de verdeling van roodverschuivingen met behulp van een deep-to-wide overdrachtsfunctie

Probleemstelling
De Euclid-missie heeft als doel de aard van donkere energie en de expansiegeschiedenis van het heelal te beperken via metingen van kosmische schering. Het bereiken van de vereiste wetenschappelijke precisie vereist een uiterst nauwkeurige reconstructie van de ware verdeling van de roodverschuiving, $n(z)$, voor sterrenstelsels in tomografische bins. De systematische fout op de gemiddelde roodverschuiving, $\sigma_{\langle z \rangle}$, moet voldoen aan $\sigma_{\langle z \rangle} < 0.002(1+z)$ per bin.

Huidige kalibratiemethoden vertrouwen op referentiestalen met spectroscopische roodverschuivingen om fotometrische roodverschuivingen te corrigeren. Een significante bron van systematische onzekerheid ontstaat echter door het verschil in fotometrische eigenschappen tussen de diepe referentievelden (Euclid Auxiliary Fields, EAFs) en het ondiepe brede survey (Euclid Wide Survey, EWS). De EWS is ongeveer twee magnitude ondieper dan de EAFs, wat leidt tot verschillende signaal-ruisverhoudingen (S/N) en een onderscheidende spreiding in de kleerruimte als gevolg van fotometrische onzekerheden. Bijgevolg bezetten identieke bronnen die in diepe en brede configuraties worden waargenomen, verschillende gebieden in de Self-Organising Map (SOM) die voor kalibratie wordt gebruikt, wat leidt tot vertekende $n(z)$-reconstructies. Hoewel op afbeeldingen gebaseerde simulatiemethoden zoals Balrog (gebruikt door het Dark Energy Survey) dit kunnen aanpakken, zijn ze rekenkundig duur en vereisen ze ingrijpende aanpassingen aan complexe pijplijnen.

Methodologie
De auteurs stellen een catalogusniveau Multi-Passband Transfer (MPT)-methode voor om de fotometrie van objecten uit diepe stalen te degraderen, zodat ze statistisch waarnemingen uit het brede survey nabootsen.

1. Constructie van de Overdrachtsfunctie:

   • In tegenstelling tot eenvoudige single-passband transfer (SPT), die onafhankelijke Gaussische ruis toevoegt, behoudt MPT de correlaties tussen fluxen, fluxfouten en over verschillende passbanden heen.
   • Voor een object uit een diep steekproef met fluxen $d_{X,i}$ en fouten $\sigma_{X,i}$ identificeert de methode de dichtstbijzijnde buren in de catalogus van het brede steekproef (met behulp van een k-d boom) op basis van de fluxruimte.
   • Er wordt een waarschijnlijkheid $L$ berekend dat een object uit het brede steekproef identiek is aan het object uit het diepe steekproef, rekening houdend met de gecombineerde variantie van beide metingen.
   • Er wordt een object uit het brede steekproef getrokken op basis van deze waarschijnlijkheden, en de fluxfouten ($\tau_{X,i}$) worden toegepast op het diepe object. De nieuwe "breed-achtige" fluxen worden getrokken uit een normale verdeling $N(d_{X,i}, \tau_{X,i}^2)$.
   • Dit proces zorgt ervoor dat de multidimensionale waarschijnlijkheidsverdeling van het gedegradeerde steekproef overeenkomt met die van het brede steekproef, inclusief foutcorrelaties.

2. Selectiefunctie:

   • Er wordt een empirische selectiefunctie toegepast op het getransformeerde steekproef om rekening te houden met het feit dat zwakke diepe bronnen niet zouden worden gedetecteerd in het brede survey. Dit wordt afgeleid uit de fluxverdeling van het brede veld.

3. Integratie in de Kalibratiepijplijn:

   • De methode is geïntegreerd in het op SOM gebaseerde kalibratiekader (Masters et al. 2015).
   • De auteurs testen verschillende scenario's (A–G) om de optimale implementatie te bepalen:
     • Scenario A: Originele methode van Masters et al. (Diep steekproef direct gebruikt).
     • Scenario C: Het kalibratiedeel van het diepe steekproef wordt 50 keer getransformeerd met MPT om een "MPT-Mock"-steekproef te creëren, dat vervolgens wordt geprojecteerd op een SOM getraind op het diepe steekproef.
     • Scenario F: De volledige pijplijn (SOM-training, bin-definitie en projectie) maakt gebruik van het MPT-Mock-steekproef.
     • Scenario G: Objecten worden toegewezen aan tomografische bins op basis van individuele foto-z's (volgend op Roster et al. 2025) met behulp van het MPT-Mock-steekproef.

Belangrijkste Bijdragen

• Ontwikkeling van MPT: Een rekenkundig efficiënt, op catalogusniveau werkend algoritme dat diepe fotometrie degradeert tot breed-achtige omstandigheden, terwijl het de correlaties tussen fluxen en fouten over meerdere passbanden behoudt.
• Validatie tegen Balrog: De methode wordt getest tegen de DES Y3 Balrog-catalogus (op afbeeldingen gebaseerde injectie). De auteurs tonen aan dat MPT de statistische eigenschappen van het brede steekproef (flux- en foutverdelingen) herstelt met een Wasserstein-afstand die vergelijkbaar is met of beter is dan die van Balrog, ondanks dat het aanzienlijk sneller is (verwerking van 1 miljoen bronnen in 8 banden in ongeveer 5 minuten).
• Systematische Evaluatie van Kalibratiestappen: Door specifieke stappen in de kalibratiepijplijn te isoleren (SOM-training, bin-definitie en referentieprojectie), identificeert het artikel dat de meest kritische factor voor nauwkeurigheid is dat de referentieobjecten (spectroscopisch steekproef) op dezelfde manier in de kleerruimte zijn verdeeld als de objecten van het brede survey.

Resultaten
De methoden werden getest met de Euclid Flagship Mock Galaxy Simulation, die grondwaarheid-roodverschuivingen biedt.

• Prestatiemetingen: De bias in de gemiddelde roodverschuiving ($\Delta z / (1+z)$) werd gemeten over tien tomografische bins.
• Vergelijking van Scenario's:
  • Scenario A (Origineel): Faalde om in de meeste bins aan de eisen van Euclid te voldoen, met biases tot wel $0.124/(1+z)$.
  • Scenario C (MPT op referentieprojectie): Toonde aanzienlijke verbetering, met een niet-verwaarloosbare kans om in veel bins aan de eisen te voldoen.
  • Scenario G (MPT + binning op individuele foto-z's): Bereikte de beste prestaties, met een kans om aan de eis $\sigma_{\langle z \rangle} < 0.002(1+z)$ te voldoen in alle bins (variërend van 31% tot 77%, afhankelijk van de bin).
• Vorm van de Verdeling: Naast het gemiddelde slaagt de methode erin de volledige vorm van de $n(z)$-verdeling te reproduceren. Voor de bin $1.0 < z \le 1.25$ kwam de variantie van de gereconstrueerde $n(z)$ binnen 1% overeen met de ware variantie (Scenario C en F), terwijl de ongecorrigeerde methode (Scenario B) een fout van 15% in de variantie vertoonde.
• SOM-Bereik: Het gebruik van MPT om meerdere realisaties van het referentiesteel te genereren, verlaagde het aandeel onbevolkte (niet-kalibreerbare) SOM-cellen van 46,5% (alleen diep steekproef) naar 6,7% (Scenario C).

Betekenis en Claims
Het artikel claimt dat de MPT-methode een robuuste en haalbare oplossing biedt voor de Euclid Data Release 1 (DR1) en daarbuiten.

• Haalbaarheid: De aanpak toont aan dat een nauwkeurige reconstructie van $n(z)$ haalbaar is zonder rekenkundig onuitvoerbare afbeeldingssimulaties, mits de fotometrische eigenschappen van het referentiesteel correct worden gedegradeerd om de diepte van het survey te matchen.
• Kritisch Inzicht: De primaire drijver voor succesvolle kalibratie is niet noodzakelijk het hertrainen van de SOM op breed-achtige data (wat slecht presteerde in Scenario E), maar eerder het waarborgen dat de projectie van het referentiesteel op de SOM de kleerverdeling van het brede survey weerspiegelt.
• Breder Toepassingsgebied: De methode behoudt de volledige statistische structuur van de roodverschuivingsverdeling (inclusief hogere momenten), waardoor deze geschikt is voor toepassingen buiten zwakke lensing, zoals hoekclustering.
• Bescheiden Vooruitzicht: De auteurs merken op dat, hoewel de methode voldoet aan de eisen voor DR1, verdere verbeteringen (bijvoorbeeld betere referentiestalen) nodig zullen zijn voor daaropvolgende data-releases. Het werk legt een solide fundament voor toekomstige kalibratiepijplijnen.