Beyond Colors: Probing Redshifts from Galaxy Morphology in Single-band Images with ViT-MDNz

Probleemstelling

Traditionele methoden voor het schatten van fotometrische roodverschuivingen (photo-z) zijn sterk afhankelijk van multi-band fotometrische data (kleur-informatie). Methoden gebaseerd op het aanpassen van spectraal-energieverdelingen (SED) of machine learning vereisen doorgaans minimaal vier golflengtebanden om betrouwbare resultaten te leveren.

• De uitdaging: In de praktijk leidt het ontbreken van data (door waarnemingsbeperkingen, datahiaten of vervuiling) vaak tot onvolledige datasets. In extreme gevallen is slechts één band (single-band) beschikbaar.
• Het gevolg: Zonder kleurgegevens is de nauwkeurigheid van roodverschuivingsschattingen sterk verminderd, of zelfs onmogelijk. Bestaande oplossingen zoals het imputeren van ontbrekende banden introduceren systematische fouten, terwijl het verwijderen van objecten met ontbrekende data leidt tot selectiebias en een verlies van waardevolle steekproefgrootte.
• De vraag: Is het mogelijk om betrouwbare roodverschuivingsschattingen te maken puur op basis van de morphologie (vorm en structuur) van een sterrenstelsel in een enkel-band beeld, zonder kleurgegevens?

Methodologie: ViT-MDNz

De auteurs stellen een nieuw deep learning-model voor, genaamd ViT-MDNz, dat speciaal is ontworpen om roodverschuivingen direct te schatten uit single-band beelden. Het model combineert twee geavanceerde architecturen:

1. Vision Transformer (ViT) Encoder:

   • In plaats van traditionele convolutie-neurale netwerken (CNN's), gebruikt het model een ViT.
   • Het invoerbeeld (192x192 pixels) wordt opgedeeld in patches.
   • De ViT maakt gebruik van een global attention mechanism om diepe morphologische kenmerken te extraheren. In tegenstelling tot CNN's, die lokaal beginnen en hun receptief veld geleidelijk uitbreiden, kan de ViT direct interacties modelleren tussen alle delen van het beeld (bijv. tussen de bulge en spiraalarmen).
   • Dit levert een compacte, 128-dimensionale feature vector op die de globale structuur van het sterrenstelsel vastlegt.

2. Mixture Density Network (MDN):

   • De geëxtraheerde features worden ingevoerd in een MDN.
   • In plaats van een enkel punt (een punt-schatting) te voorspellen, leert de MDN de volledige konditionele waarschijnlijkheidsdichtheidsfunctie (PDF) van de roodverschuiving $p(z|x)$.
   • Het model voorspelt een mengsel van Gaussische verdelingen (in dit geval 15 componenten), waarbij het de gewichten, gemiddelden en varianties leert.
   • Dit stelt het model in staat om niet alleen een nauwkeurige schatting te geven, maar ook de onzekerheid van die schatting te kwantificeren.

Training:

• Data: Het model is getraind op ongeveer 300.000 sterrenstelsels uit de DESI Legacy Imaging Surveys (DESI-LS), gekruist met spectroscopische data van SDSS DR16 als ground truth.
• Verliesfunctie: Negatieve log-likelihood (NLL) om de voorspelde PDF zo dicht mogelijk bij de ware spectroscopische roodverschuiving te brengen.

Belangrijkste Resultaten

Het model werd getest op een onafhankelijke testset (60.000 sterrenstelsels) binnen het roodverschuivingsbereik $z \lesssim 1$.

1. Single-band Prestaties (R-band):

• Nauwkeurigheid: Het model bereikte een genormaliseerde mediaan absolute afwijking ($\sigma_{NMAD}$) van 0.034 en een uitbijterfractie ($f_{out}$) van 2.6%.
• Vergelijking: Hoewel dit iets minder nauwkeurig is dan traditionele 5-band kleurmethoden ($\sigma_{NMAD} \approx 0.022$), is het resultaat opmerkelijk omdat het model alleen morphologische informatie uit één band gebruikt. Het presteert aanzienlijk beter dan willekeurig gissen en is competitief voor veel kosmologische toepassingen.
• Kalibratie: Analyse met Probability Integral Transform (PIT) en Continuous Ranked Probability Score (CRPS) toonde aan dat de voorspelde waarschijnlijkheidsverdelingen goed gekalibreerd zijn. De onzekerheid wordt realistisch geschat, hoewel er een lichte neiging is tot een onderschatting van de onzekerheid (lichte U-vorm in de PIT-histogram).

2. Multi-band Uitbreiding:

• Wanneer het model wordt gevoed met multi-band data (g, r, z samen), verbetert de prestatie aanzienlijk:
  • $\sigma_{NMAD}$ daalt naar 0.020.
  • De uitbijterfractie daalt naar 1.5%.
• Dit bevestigt dat het model effectief zowel kleur-informatie als morphologische features kan integreren.

3. Robuustheid:

• Het model presteert consistent voor verschillende populaties (bijv. Main Galaxy Sample en Luminous Red Galaxies) en lost de meeste degeneraties op die inherent zijn aan single-band data, aangezien slechts ~0.7% van de samples een significant multimodale verdeling vertoonde.

Bijdragen en Betekenis

1. Paradigmaverschuiving:
   Dit onderzoek is de eerste die systematisch aantoont dat roodverschuivingen direct kunnen worden geschat uit morphologische kenmerken in single-band beelden. Het daagt de conventionele aanname uit dat multi-band kleurdata essentieel is voor elke betrouwbare photo-z schatting.

2. Technische Innovatie:
   De integratie van ViT (voor globale morphologische feature extractie) en MDN (voor probabilistische modellering) biedt een krachtig kader. Het ViT-deel vangt complexe ruimtelijke patronen die CNN's mogelijk missen, terwijl de MDN een robuust probabilistisch raamwerk biedt voor onzekerheidskwantificering.

3. Praktische Toepassing voor Toekomstige Surveys:
   Voor toekomstige grote surveys zoals LSST, Euclid en het Chinese Space Station Telescope (CSST) is dit van groot belang:

   • Het vermindert het aantal sterrenstelsels dat moet worden verworpen vanwege ontbrekende banden.
   • Het vermindert selectiebias die ontstaat door het verwijderen van objecten met onvolledige data.
   • Het biedt een haalbare oplossing voor "data-ongewenste" steekproeven, waardoor de volledigheid van roodverschuivingcatalogi wordt verbeterd.

Beperkingen en Toekomstperspectief

• Fysische Grenzen: Single-band schattingen blijven minder nauwkeurig dan high-quality multi-band methoden omdat morphologie de degeneratie tussen roodverschuiving, type en helderheid niet volledig kan oplossen.
• Interpreteerbaarheid: Het model werkt als een "black box"; het is nog niet duidelijk welke specifieke morphologische markers het model prioriteert.
• Generalisatie: De huidige training is beperkt tot $z \lesssim 1$. Generalisatie naar zeer hoge roodverschuivingen of exotische morfologieën vereist verdere validatie met grotere en diversere datasets.

Conclusie:
ViT-MDNz biedt een praktische en statistisch betrouwbare aanpak om roodverschuivingen te schatten wanneer data beperkt is. Het benadrukt de onafhankelijke waarde van morphologische informatie en vormt een waardevolle aanvulling op bestaande methoden voor de volgende generatie kosmologische surveys.