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

Technische Samenvatting: Optimalisatie van Deep Learning-fotometrische roodverschuivingen voor de Roman-ruimtetelescoop met HST/CANDELS

Probleemstelling
De Nancy Grace Roman-ruimtetelescoop zal enorme hoeveelheden hoogresolutie, diepe nabij-infraroodbeelden genereren, wat nauwkeurige schattingen van fotometrische roodverschuivingen (photo-z) vereist voor honderden miljoenen sterrenstelsels om kosmologie, sterrenstelsevolutie en transienten te bestuderen. Hoewel deep learning (DL)-methoden die pixelniveau-informatie gebruiken superieure prestaties hebben aangetoond ten opzichte van traditionele template-fitting en klassieke machine learning (ML)-methoden voor lage-roodverschuiving, op de grond verkregen beelden, blijft hun effectiviteit op zwakke, hoge-roodverschuiving ($z \sim 3$) ruimtelijke data ongetest. Een kritieke uitdaging is de schaarste aan spectroscopische roodverschuiving (spec-z) labels voor zwakke bronnen; de imaging van Roman zal ver vooruitlopen op de spectroscopische follow-up. Bijgevolg is er behoefte om te bepalen of DL-algoritmen effectief kunnen profiteren van de overvloed aan ongelabelde beelden naast beperkte gelabelde data om optimale photo-z-precisie in dit regime te bereiken.

Methodologie
De auteurs gebruikten de Hubble Space Telescope (HST) CANDELS-survey als proxy voor Roman-data, waarbij 99.505 bronnen werden geselecteerd met betrouwbare roodverschuivinglabels ($z_{ref}$) afgeleid van spectroscopie, grism-data en multi-band fotometrie. De dataset werd opgesplitst in gelabelde (training, validatie, test) en ongelabelde subsets. De studie vergeleek vier verschillende benaderingen:

1. Klassieke Baselines:

   • Template Fitting: LePHARE, waarbij de geobserveerde fotometrie wordt aangepast aan spectrale energie-distributie (SED) templates.
   • ML Fotometrie: Een volledig-supervised Multi-Layer Perceptron (MLP) getraind op geïntegreerde fotometrische kleuren en magnitude.

2. Deep Learning-benaderingen:

   • Volledig-supervised CNN: Een ConvNeXt-architectuur uitsluitend getraind op gelabelde beelden om roodverschuiving direct te voorspellen vanuit pixeldata.
   • Zelf-supervised CNN: Een twee-staps aanpak met contrastief leren (MoCo) om te pre-trainen op alle ongelabelde beelden om latente representaties te leren, gevolgd door fine-tuning op het gelabelde subset voor roodverschuivingvoorspelling.
   • Semi-supervised CNN (PITA): Een nieuw "Photo-z Inference with a Triple-task Algorithm" dat drie verliesfuncties gelijktijdig optimaliseert:
     • Contrastief Verlies ($L_{contrastive}$): Geleerd van alle beelden (gelabeld en ongelabeld) om morfologische kenmerken vast te leggen.
     • Kleurverlies ($L_{color}$): Geleerd van alle beelden om ervoor te zorgen dat de latente ruimte fotometrische kleuren encodeert.
     • Roodverschuivingsverlies ($L_{z}$): Uitsluitend geleerd van gelabelde beelden om de latente ruimte af te stemmen op roodverschuivingswaarden.

De auteurs gebruikten Uniform Manifold Approximation and Projection (UMAP) om de latente ruimten te visualiseren die gegenereerd werden door de zelf-supervised en semi-supervised modellen, en analyseerden hoe goed deze ruimten magnitude, kleur, morfologie en roodverschuiving encodeerden.

Belangrijkste Resultaten

• Prestatiemetrics: Het semi-supervised PITA-algoritme behaalde de beste prestaties over alle metrics (bias, genormaliseerde mediaan absolute afwijking $\sigma_{NMAD}$, en outlierfractie $f_{outlier}$) voor zowel heldere ($m_{F160W} < 22$) als zwakke ($m_{F160W} < 25$) bronnen. In vergelijking met de fotometrie-MLP-baseline verlaagde PITA de bias met 34%, $\sigma_{NMAD}$ met 14% en $f_{outlier}$ met 17% voor de volledige testset, met nog grotere verbeteringen voor heldere bronnen.
• Deep Learning versus Fotometrie: De volledig-supervised CNN presteerde beter dan zowel template-fitting als ML-methoden die alleen fotometrie gebruiken, wat bevestigt dat pixelniveau-informatie aanvullende roodverschuiving-relevante data bevat naast geïntegreerde flux, zelfs voor zwakke, hoge-roodverschuiving sterrenstelsels.
• Mislukking van Pure Zelf-supervisie: De zelf-supervised contrastief-leeraanpak, hoewel succesvol in eerdere lage-roodverschuiving studies, presteerde minder goed ten opzichte van de volledig-supervised CNN in dit hoge-roodverschuiving regime. UMAP-visualisaties onthulden dat de zelf-supervised latente ruimte voornamelijk magnitude en grootte (morfologie) encodeerde, maar faalde in het vastleggen van gladde gradiënten van kleur en roodverschuiving, wat leidde tot significante fluctuaties in de photo-z-inferentie.
• Schaalbaarheid bij Label-schaarste: PITA demonstreerde robuuste prestaties zelfs wanneer de grootte van het gelabelde trainingsset aanzienlijk werd verkleind. In tegenstelling tot volledig-supervised modellen die snel achteruitgaan bij minder labels, behield PITA superieure nauwkeurigheid door de ongelabelde data te benutten om informatieve kenmerken te leren (via contrastief en kleurverlies), terwijl de schaarse labels werden gebruikt om de latente ruimte af te stemmen voor regressie.

Betekenis en Claims
Het artikel beweert dat voor de Roman-ruimtetelescoop, waar spectroscopische labels schaars zullen zijn voor het merendeel van de bronnen (vooral bij hoge roodverschuiving en zwakke magnitude), semi-supervised deep learning de optimale strategie is. De auteurs betogen dat puur zelf-supervised methoden kunnen falen in het encoderen van de specifieke fysieke eigenschappen (kleur en roodverschuiving) die noodzakelijk zijn voor photo-z-inferentie in diepe, ruimtelijke datasets, omdat de dominante variantie in pixeldata wordt gedreven door helderheid en morfologie in plaats van kleur.

Door het PITA-algoritme te introduceren, tonen de auteurs aan dat het integreren van domeinkennis – specifiek de expliciete voorspelling van fotometrische kleuren naast roodverschuiving – de latente ruimte leidt tot fysiek informatief zijn. Dit zorgt voor een gladde interpolatie tussen schaarse trainingsroodverschuivingen, waardoor nauwkeurige photo-z-schattingen mogelijk zijn voor zowel heldere (label-rijke) als zwakke (label-schaarse) bronnen. De studie concludeert dat toekomstige surveys semi-supervised benaderingen moeten gebruiken die ongelabelde beelddata combineren met domeinspecifieke beperkingen (zoals kleur) om de wetenschappelijke opbrengst van diepe imaging-missies te maximaliseren.