pop-cosmos: Forward modeling KiDS-1000 redshift distributions using realistic galaxy populations

Technische Samenvatting: pop-cosmos: Forward modeling van de KiDS-1000 roodverschuivingsverdelingen met realistische populaties van sterrenstelsels

Probleemstelling
De precisie van kosmologische beperkingen afgeleid van Stage IV-sterrenstelsel-surveys wordt fundamenteel beperkt door de nauwkeurigheid van de afgeleide roodverschuivingsverdelingen van sterrenstelsels, $n(z)$. Traditionele methoden vertrouwen op het herwegen van spectroscopische referentiesamples om overeen te komen met fotometrische data. Deze spectroscopische kalibratieses lijden echter aan incompleetheid en intrinsieke selectiebiases, wat systematische fouten kan introduceren die vergelijkbaar zijn met of groter dan de statistische onzekerheden van moderne zwakke lenswerking-surveys (weak lensing surveys). Dit artikel adresseert de uitdaging van het afleiden van $n(z)$ voor de Kilo-Degree Survey (KiDS-1000) zwakke lenswerking-sample door het probleem te herformuleren als een forward-modeling oefening, waardoor de noodzaak voor directe spectroscopische herweging wordt omzeild.

Methodologie
De auteurs ontwikkelen een forward-modeling framework dat realistische mock-observaties van de KiDS-1000 survey synthetiseert. Het framework integreert twee primaire componenten:

1. Generatief Populatiemodel (pop-cosmos): Een score-gebaseerd diffusiemodel getraind op diepe, multi-band fotometrie (26 banden) uit de COSMOS2020-catalogus (Spitzer IRAC Ch. 1 < 26). Dit model opereert in de ruimte van Stellar Population Synthesis (SPS) parameters (bijv. stervormingsgeschiedenis, metaliciteit, stofattenuatie, AGN-bijdrage) om realistische populaties van sterrenstelsels te genereren met intrinsieke correlaties tussen fysieke eigenschappen en geobserveerde fotometrie. In tegenstelling tot semi-analytische modellen is pop-cosmos data-gedreven en legt het de volledige diversiteit van geobserveerde kleur–roodverschuiving-relaties vast.
2. Datamodel (Machine-Learned): Een set machine-learning modellen getraind op de SURFS-gebaseerde KiDS-Legacy-Like Simulaties (SKiLLS). Deze modellen leren de complexe transformatie van ruisloze, intrinsieke eigenschappen van sterrenstelsels naar realistische survey-observaties, inclusief:
   • Detectie: Een random forest classifier die de waarschijnlijkheid van detectie modelleert op basis van $r$-band magnitude en diepte.
   • Onzekerheid: Een conditional ODE flow die de onzekerheid van de $r$-band AUTO magnitude modelleert, welke afhankelijk is van morfologie en lokale condities.
   • Ruis: Een conditional ODE flow die de 10-dimensionale flux-ruisresiduen (verschillen tussen gemeten en ware fluxen) over alle banden modelleert, waarbij niet-Gaussische staarten en magnitude-afhankelijke trends worden gevangen.
   • Selectie & Weging: Aanvullende classifiers en regressoren emuleren de KiDS-1000 kwaliteitsfilters (bijv. ster-sterrenstelsel scheiding, vormmetingsflags) en voorspellen lensfit gewichten.

De pipeline genereert synthetische KiDS-achtige catalogi door sterrenstelsels te trekken uit het populatiemodel, het datamodel toe te passen om ruis en selectie te simuleren, en vervolgens dezelfde tomografische binning (gebruikmakend van BPZ fotometrische roodverschuivingen) toe te passen als de echte data. De ware roodverschuivingen van de gesimuleerde sterrenstelsels worden vervolgens gebruikt als de gekalibreerde $n(z)$.

Belangrijkste Bijdragen en Resultaten

• Validatie van het Datamodel: De auteurs demonstreren dat hun machine-learned datamodel de statistische eigenschappen van de SKiLLS-simulaties accuraat kan reproduceren. Wanneer de onderliggende shark populatie van SKiLLS door het datamodel wordt geleid, komen de resulterende roodverschuivingsverdelingen overeen met de "ware" SKiLLS-verdelingen met gemiddelde roodverschuivingsverschillen $\Delta z < 0.005$.
• Impact van Populatie-aannames: Door de shark populatie te vervangen door de pop-cosmos populatie, observeren de auteurs systematische verschuivingen in de afgeleide roodverschuivingsverdelingen. In de eerste ($0.1 < z < 0.3$) en laatste ($0.9 < z < 1.2$) tomografische bins verschillen de gemiddelde roodverschuivingen door $\Delta z \sim 0.05\text{--}0.1$.
• Kleur–Roodverschuiving Relaties: De verschuivingen worden toegeschreven aan verschillen in de kleur–roodverschuiving-relaties tussen de twee modellen. pop-cosmos voorspelt een breder bereik van roodere kleuren bij hoge roodverschuivingen vergeleken met shark, wat leidt ertoe dat BPZ sterrenstelsels met een intermediaire roodverschuiving aan de hoogste bin toewijst en enkele sterrenstelsels met een hoge roodverschuiving naar lagere bins verspreidt. Dit benadrukt dat de keuze van het populatiemodel direct invloed heeft op de kalibratie van $n(z)$.
• Generalisatie: Het framework past een model dat getraind is op COSMOS2020-data succesvol toe op de KiDS-1000 survey, die andere dieptes, selecties en observatiecondities heeft. De resulterende $n(z)$ schattingen worden vergeleken met de publiekelijk vrijgegeven KiDS-1000 verdelingen (afgeleid via spectroscopische herweging), waarbij inherente verschillen zichtbaar worden door de verschillende onderliggende sterrenstelsel-populaties en selectiefuncties.

Betekenis en Claims
Het artikel claimt een robuust, onafhankelijk alternatief te bieden voor de spectroscopische gebaseerde roodverschuivingskalibratie. Door de survey-selectie en ruis direct forward-modelling te benaderen vanuit een empirisch gekalibreerd populatiemodel, vermijdt deze aanpak de selectiebiases en incompleetheid die inherent zijn aan spectroscopische referentiesamples.

De auteurs benadrukken dat de geobserveerde systematische verschillen ($\Delta z \sim 0.05\text{--}0.1$) tussen pop-cosmos en shark vergelijkbaar zijn met de onzekerheden gerapporteerd voor spectroscopische herwegingsmethoden. Dit onderstreept het cruciale belang van het onderliggende sterrenstelsel-populatiemodel bij het bepalen van $n(z)$. Het werk vestigt pop-cosmos als een levensvatbare tool voor het schatten van populatie-niveau roodverschuivingsverdelingen voor Stage IV-surveys. De auteurs stellen dat deze verdelingen gebruikt zullen worden in een aanstaande volledige KiDS kosmologische heranalyse om een onafhankelijke cross-check te bieden op bestaande kalibraties. Zij concluderen dat naarmate surveys bewegen naar percentuele precisie, forward-modeling tools die geworteld zijn in empirisch gekalibreerde populatiemodellen essentieel zullen zijn om te waarborgen dat systematische onzekerheden in roodverschuivingskalibratie de fundamentele natuurkundige beperkingen niet limiteren.