Lyman Break Galaxy selection and redshift measurement with supervised contrastive learning

Technische Samenvatting: Selectie van Lyman Break Galaxies en roodverschuivingsmeting met behulp van supervised contrastive learning

Probleemstelling
Het Dark Energy Spectroscopic Instrument (DESI) en toekomstige Stage IV/V-surveys streven naar het verkennen van het hoog-roodverschuivende universum ($z \sim 2$ tot $4.5$) met behulp van Lyman Break Galaxies (LBGs). Hoewel LBGs een aanzienlijk potentieel bieden voor precisie-kosmologie (bijv. het meten van primordiale niet-Gaussianiteit en het in kaart brengen van het circum-galactische medium), vormen hun zwakheid en lage signaal-ruisverhoudingen (SNR) uitdagingen voor spectroscopische roodverschuivingsmeting en de decontaminatie van monsters.

Huidige doelselectiemethoden, die vertrouwen op kleur-dropouttechnieken, lijden onder contaminatie door roodverschuivende emissielijn-galaxies (ELGs, waarbij [O II] Ly$\alpha$ nabootst) en hoog-roodverschuivende quasars (QSOs). Bestaande machine learning-pipelines voor DESI, specifiek lbgNET (een aangepaste QuasarNET), vertrouwen op het identificeren van specifieke spectraallijnen om roodverschuiving af te leiden en objecten te classificeren. lbgNET kampt echter met beperkingen door de schaarste aan betrouwbaar visueel geïnspecteerde (VI) LBG-spectra die beschikbaar zijn voor training, wat het moeilijk maakt om te generaliseren naar zwakke, ruisgevoelige monsters en om subtiele LBG-subtypen (LBGa, LBGme, LBGse) van contaminanten te onderscheiden.

Methodologie
De auteurs stellen zlbg voor, een nieuwe pipeline gebaseerd op Supervised Contrastive Learning (CL) om deze beperkingen aan te pakken. De methodologie wijkt af van de lijnzoekende benadering van lbgNET door een continue embedding-ruimte te leren waar spectrale gelijkenis wordt gedefinieerd door zowel de klasse van het object als de roodverschuiving.

• Architectuur: De backbone-encoder is identiek aan QuasarNET en lbgNET, bestaande uit vier 1D convolutionele lagen gevolgd door batch normalisatie en ReLU-activaties. De input-spectra worden lineair gebinned naar 775 pixels ($d\lambda = 8$ Å).
• Contrastive Learning: In tegen tegenstelling tot lbgNET, dat een "line finder"-head gebruikt, projecteert zlbg de encoder-representaties in een 128-dimensionale embedding-ruimte via een projectie-head. Het netwerk wordt getraind met een Continuously Weighted Contrastive Loss (CWCL).
  • Relatiegewichten: In plaats van harde binaire labels gebruikt de verliesfunctie continue gewichten ($r_{ij} \in [0, 1]$) om gelijkenis te definiëren.
    • Klasseweging: Een gelijkenis-matrix $C$ wordt gebruikt waarbij contaminanten (ELG, QSO) pure negatieven (gewicht 0) zijn ten opzichte van LBGs. LBG-subtypen worden behandeld als gedeeltelijk gelijkaardig (bijv. LBGme en LBGse delen een gewicht van 0.5), wat de fysieke continuïteit erkent.
    • Roodverschuivingsweging: Een Gaussische kernel-weging wordt toegepast op paren van LBGs op basis van hun roodverschuivingsverschil, genormaliseerd door de gemiddelde roodverschuiving. Dit moedigt de embedding-ruimte aan om roodverschuivingsgradiënten te behouden.
• Downstream Taken: Na de training wordt de projectie-head verwijderd. De encoder-representaties worden gebruikt voor:
  • Classificatie: Een Multi-Layer Perceptron (MLP) voorspelt waarschijnlijkheden voor vijf klassen (LBGa, LBGme, LBGse, ELG, QSO).
  • Roodverschuivingsinferentie: Een K-Nearest Neighbors (KNN) regressor werkt op de encoder-representaties om de roodverschuiving te voorspellen. Een kwaliteitsmetriek ($q_z$) wordt afgeleid van de spreiding van de KNN-buren om de roodverschuivingsbetrouwbaarheid te kwantificeren.
• Data en Augmentatie: De training maakt gebruik van kleine VI-datasets (VI-0, VI-1 en VI-contaminants). Om het beperkte omvang van de data te compenseren, passen de auteurs data-augmentaties toe:
  • SNR Augmentatie: Het simuleren van variërende belichtingstijden.
  • Roodverschuivings-augmentatie: Het verschuiven van spectra binnen een venster van $\pm 0.8$ roodverschuiving en het invullen van ontbrekende golflengte-dekking met gestapelde LBG-templates.

Belangrijkste Bijdragen

1. Nieuwe Architectuur: Introductie van zlbg, de eerste toepassing van supervised contrastive learning met continue relatie-weging voor LBG-roodverschuiving en classificatie in de DESI-context.
2. Verbeterde Decontaminatie: De methode vertoont een superieure outlier-reductie (ELGs en QSOs) vergeleken met de state-of-the-art lbgNET.
3. Multi-Task Representatie: Het framework slaagt erin een verenigde representatie te leren die gelijktijdig classificatie en roodverschuivingsregressie afhandelt, waarbij het de kleine, gebalanceerde aard van de VI-trainingsset effectiever benut dan eerdere single-task of lijnzoekende benaderingen.
4. Kwaliteitsmetrieken: Ontwikkeling van een gecombineerde betrouwbaarheidsscore ($\tau_{zlbg} = s_{zlbg} \cdot q_z$) die classificatiebetrouwbaarheid integreert met de onzekerheid van de roodverschuivingsschatting.

Resultaten
Geëvalueerd op een testset afgeleid van DESI-pilotprogramma's:

• Classificatie: zlbg bereikt een Area Under the Curve (AUC) van 0.997 voor de selectie van contaminanten, vergeleken met 0.988 voor lbgNET. Het scheidt contaminanten effectief van LBGs, hoewel het onderscheiden tussen LBG-subtypen (bijv. LBGme vs. LBGa) uitdagend blijft vanwege de continue aard van de fysieke definities.
• Roodverschuivingsprestaties: De roodverschuivingsprestaties (AUC $\approx$ 0.790) zijn vergelijkbaar met lbgNET (AUC $\approx$ 0.799). De auteurs merken op dat zlbg minder gevoelig is voor catastrofale uitschieters veroorzaakt door lijn-misidentificatie, omdat het vertrouwt op globale spectrale kenmerken in plaats van specifieke lijndetectie.
• Gevoeligheid voor Training: De inclusie van roodverschuivings-augmentaties verbetert de roodverschuivingsprestaties van zlbg aanzienlijk, terwijl de selectie van contaminanten robuust is over verschillende trainingsconfiguraties.
• Complementariteit: Correlatieanalyse tussen zlbg en lbgNET betrouwbaarheidsscores laat een lage correlatie zien voor contaminanten, wat aangeeft dat de twee pipelines verschillende kenmerken gebruiken en gecombineerd kunnen worden voor verdere verfijning.

Betekenis en Claims
De paper claimt dat zlbg een robuust alternatief biedt voor de huidige lbgNET-pipeline voor de komende DESI Run 2, die zich zal richten op hoog-roodverschuivende LBGs. De primaire betekenis ligt in het vermogen van supervised contrastive learning om betekenisvolle representaties te extraheren uit kleine, ruisgevoelige datasets waar traditionele supervised methoden mogelijk overfitten of falen in generalisatie.

De auteurs stellen bescheiden dat hoewel de roodverschuivingsprestaties vergelijkbaar zijn met de bestaande methode, de classificatieprestaties aanzienlijk verbeterd zijn, met name bij de decontaminatie van het monster. Ze benadrukken dat het continue wegingsschema een natuurlijkere behandeling mogelijk maakt van het fysieke continuüm tussen LBG-subtypen en contaminanten. Het werk suggereert dat het combineren van de verschillende sterktes van zlbg (betere outlier-reductie) en lbgNET (lijn-gebaseerde precisie) verdere verbeteringen in monsterzuiverheid en volledigheid voor hoog-roodverschuivende kosmologie kan opleveren. De pipeline wordt beschikbaar gesteld aan de gemeenschap om deze toekomstige studies te faciliteren.