The Chandra-Gaia Catalog of Counterparts: Resolving ambiguous Gaia matches to X-ray sources in the Chandra Source Catalog using Machine Learning

Technische Samenvatting: De Chandra-Gaia Catalogus van Counterparts

Probleemstelling
De correcte identificatie van astronomische bronnen over meerdere catalogi heen is fundamenteel voor statistische volledigheid en nauwkeurige classificatie. Traditionele cross-matching methoden vertrouwen voornamelijk op positionele nabijheid (dichtstbijzijnde buur binnen een vaste straal). Hoewel effectief voor surveys met precieze astrometrie, hebben deze louter ruimtelijke benaderingen moeite in dichtbevolkte regio's aan de hemel, wanneer de positionele onzekerheden groot zijn, of wanneer er een onbalans is in de astrometrische precisie tussen catalogi. Bovendien falen puur ruimtelijke methoden vaak in het onderscheiden van echte counterparts van toevallige samenloop (chance coincidences) wanneer er meerdere plausibele kandidaten binnen de zoekstraal aanwezig zijn. De Chandra Source Catalog (CSC v2.1) en Gaia Data Release 3 (DR3) vormen een dergelijke uitdaging: hoewel Gaia hoogprecisie posities levert voor ongeveer 1,8 miljard bronnen, vereist het koppelen aan Chandra's röntgendetecties het oplossen van ambiguïteiten waar ruimtelijke nabijheid alleen onvoldoende is om de ware fysieke associatie te bepalen.

Methodologie
De auteurs stellen een raamwerk voor dat verder gaat dan louter ruimtelijke matching door bronkenmerken (magnitudes, kleuren, afstanden, variabiliteit) te integreren met behulp van machine learning (ML). De pipeline bestaat uit vier stadia:

1. Preprocessing en Initiële Kandidaatgeneratie:
   De auteurs voeren eerst een positionele cross-match uit tussen de CSC v2.1 en Gaia DR3 met behulp van NWAY, een Bayesiaans raamwerk dat rekening houdt met positionele fouten en bron-densiteiten. Dit genereert een initiële pool van kandidaten binnen een straal van 15".

2. Constructie van Trainingsdata (Positieve en Negatieve Sets):
   Om het ML-model te trainen zonder te vertrouwen op gelabelde grondwaarheid (ground truth), construeren de auteurs trainingssets op basis van statistische heuristieken:

   • Positieve Set: Geselecteerd uit NWAY-matches met een hoge betrouwbaarheid ($p_{any} \ge 0,5$, $p_i \ge 0,9$) en kleine scheidingen ($\le 1,3''$). Deze 1,3"-drempel werd afgeleid via Kolmogorov-Smirnov-testen die aantoonden dat de magnitude-distributies van waarschijnlijke en onwaarschijnlijke counterparts ononderscheidbaar worden bij een grotere scheiding dan 1,3".
   • Negatieve Set: Bestaat uit drie typen non-matches: "duidelijke negatieven" (kandidaten met een scheiding $\ge 5''$), "intermediaire negatieven" (andere niet-geselecteerde kandidaten $\ge 5''$), en "willekeurige negatieven" (Gaia-bronnen gesampled uit regio's ver verwijderd van enige Chandra-bron).
   • Klassenonbalans: De dataset is sterk ongebalanceerd (ongeveer 30k positieven versus 310k negatieven). De auteurs pakken dit aan door willekeurige negatieven te upsamplen en de sample-gewichten tijdens de training aan te passen.

3. Machine Learning Model:
   Een LightGBM (gradient-boosted decision tree) classifier wordt getraind om binaire classificatie uit te voeren ($y=1$ voor ware match, $y=0$ voor non-match). Het model maakt gebruik van 32 features afgeleid van beide catalogi, inclus\n_bij fotometrie (Gaia $g, BP, RP$ magnitudes en fluxen), röntgenfluxen en hardheidsratio's (CSC), variabiliteitsindices, parallax, eigenbeweging en externe classificatie-labels. Cruciaal is dat het model wordt getraind zonder de positionele scheiding als input-feature te gebruiken, waardoor het gedwongen wordt om associaties te leren op basis van uitsluitend fysieke eigenschappen.

4. Drempelwaarde en Definitieve Selectie:
   De definitieve catalogus wordt gegenereerd door twee onafhankelijke criteria toe te passen op de ML-scores ($p_{ML}$):

   • ML-Score Drempelwaarde: Een cutoff van $p_{ML} \ge 0,466$ is vastgesteld. Deze waarde komt overeen met de empirische cumulatieve distributiefunctie (CDF) percentiel die de geschatte waarschijnlijkheid van toevallige samenloop ($P_{chance} \approx 0,0176$) voor de globale Gaia-densiteit evenaart.
   • Scheidingsdrempelwaarde: Een maximale scheidingslimiet ($r_{max}$) wordt toegepast op basis van de off-axis hoek ($\theta$) van de Chandra-observatie. Deze limiet houdt rekening met de Point Spread Function (PSF) van Chandra en de astrometische onzekerheden, variërend van 1,5" bij het aim-point tot 10" bij grote off-axis hoeken.
     Alleen kandidaten die aan zowel $p_{ML} \ge 0,466$ als scheiding $\le r_{max}(\theta)$ voldoen, worden behouden als betrouwbare ML-matches.

Belangrijkste Resultaten

• Cataloguspublicatie: De auteurs publiceren een catalogus van ongeveer 113.000 hoog-betrouwbare Chandra-Gaia counterparts.
• Resolutie van Ambiguïteit: Het raamwerk identificeert ongeveer 7.000 bronnen met meerdere plausibele ML-matches (alternatieve counterparts) en signaleert ongeveer 20.000 bronnen waarbij NWAY een match suggereert op basis van nabijheid, maar het ML-model deze verwerpt als waarschijnlijke toevallige samenlopen.
• Validatie (COUP): De pipeline werd gevalideerd tegen de Chandra Orion Ultradeep Project (COUP). De ML-methode reproduceerde 95% van de NWAY-matches zonder enige positionele informatie te gebruiken, wat aantoont dat röntgenemittenten herkenbaar zijn aan hun optische/IR-kenmerken.
• Prestatie-metrieken: Op de testset bereikte de gecombineerde pipeline (ML-score + scheidingsdrempel) een precisie van 0,98, een recall van 0,79 en een F1-score van 0,87. De Jaccard-index tussen de ML- en NWAY-matches was 0,78.
• Populatieanalyse: De resulterende catalogus vertoont duidelijke morfologische verschillen in het Hertzsprung-Russell (HR) diagram vergeleken met NWAY-alleen matches. De ML-geselecteerde matches lossen de hoofdreeks en witte dwerg-clusters duidelijk op, terwijl NWAY-alleen matches vervaagd lijken, wat suggereert dat de ML-methode effectief de spurieuze associaties wegfiltert.

Betekenis en Claims
Het artikel claimt dat dit werk een systematische en flexibele aanpak biedt voor cross-matching die de multidimensionale catalogusgegevens volledig benut. De primaire betekenis ligt in:

1. Resolutie van Ambiguïteit: De methode onderscheidt succesvol ware counterparts van toevallige samenlopen in drukke velden waar ruimtelijke matching faalt, waarbij ongeveer 20.000 bronnen worden geïdentificeerd waar nabijheidsgebaseerde methoden waarschijnlijk fout-positieven opleveren.
2. Generaliseerbaarheid: De auteurs presenteren een algemeen raamwerk (vijfstaps-proces) dat toepasbaar is op elke cross-matching scenario tussen willekeurige catalogi, niet beperkt tot Chandra en Gaia.
3. Complementariteit: De auteurs stellen expliciet dat zij niet beogen ruimtelijke methoden zoals NWAY te vervangen, maar aan te vullen. Door fysieke eigenschappen te integreren, herstelt de methode correcte matches in scenario's met systematische coördinatenfouten, PSF-distorties of contaminatie door toevallige indringers.
4. Stellaire Astrofysica: De resulterende catalogus ondersteunt populatiestudies van stellaire röntgenactiviteit, wat de constructie van gedetailleerde luminositeitsfuncties en het onderzoek naar de evolutie van magnetische activiteit mogelijk maakt, aangezien de matches zwaar gewogen zijn naar stellaire populaties.

De auteurs merken beperkingen op, waarbij zij een systematische foutmarge van ongeveer 7% schatten voor de ML-matches, met name in gevallen waar de Gaia-data incompleet zijn of waar bronnen uitschieters zijn in de trainingsdistributie. Zij suggereren dat toekomstige datareleases de resterende discrepanties kunnen oplossen.