Estimating hyperparameters and instrument parameters in regularized inversion. Illustration for SPIRE/Herschel map making

Resumo Técnico: Estimativa de Hiperparâmetros e Parâmetros de Instrumento em Inversão Regularizada

Enunciado do Problema
O artigo aborda o desafio da reconstrução de imagens em astrofísica, especificamente para o instrumento SPIRE do observatório espacial Herschel. O problema central é um problema inverso "não supervisionado e míope". Métodos de inversão padrão normalmente requerem:

1. Ajuste supervisionado: Hiperparâmetros (que equilibram a fidelidade aos dados em relação à regularização da priori) devem ser definidos manualmente, muitas vezes exigindo o conhecimento do céu "real" ou extensas tentativas e erros.
2. Modelos de instrumento conhecidos: Parâmetros do instrumento (como largura do lóbulo, tempo de resposta e ganho) são geralmente determinados via observações de calibração dedicadas. Esses valores inevitavelmente contêm erros devido a dependências espectrais e incertezas de calibração.

Os autores visam resolver um problema tríplice a partir de uma única observação: estimar simultaneamente o mapa do céu ($x$), os hiperparâmetros ($\xi$) e os parâmetros do instrumento ($\eta$) sem conhecimento prévio da verdade fundamental (ground truth) ou dados de calibração dedicados.

Metodologia
A abordagem proposta fundamenta-se em um arcabouço Bayesiano Completo (Full-Bayesian). Os autores constroem uma densidade de posterior $p(x, \xi, \eta | y)$ para todas as quantidades desconhecidas dadas as observações $y$.

1. Modelagem Probabilística:

   • Verossimilhança (Likelihood): O modelo de observação é linear ($y = A_\eta x + n$), onde o ruído $n$ é modelado como Gaussiano com uma média $m_n$ e uma estrutura de covariância definida por um parâmetro de precisão $\gamma_n$.
   • Priori para o Mapa: O mapa do céu $x$ é modelado usando uma priori Gaussiana para impor regularidade espacial (suavidade), controlada por um parâmetro de precisão $\gamma_x$. A estrutura de regularidade é definida via uma norma quadrática de derivadas espaciais.
   • Hiperprioris: Os hiperparâmetros ($\xi = [m_n, \gamma_n, \gamma_x]$) recebem prioris de Jeffreys não informativas ($1/\gamma$ para precisões, uniforme para médias) para minimizar o viés da priori.
   • Parâmetros do Instrumento: Os parâmetros do instrumento $\eta$ são modelados com prioris Gaussianas centradas em valores nominais com incertezas associadas.

2. Densidade de Posterior:
   A densidade de posterior conjunta é derivada combinando a verossimilhança e as prioris. Devido à alta dimensionalidade do mapa ($M \sim 10^5$) e à dependência complexa e não linear das observações em relação aos parâmetros do instrumento $\eta$, a posterior não pode ser analisada diretamente ou maximizada analiticamente.

3. Amostragem Estocástica (MCMC):
   Para explorar a densidade de posterior, os autores empregam um algoritmo de Monte Carlo via Cadeias de Markov (MCMC) baseado em um loop de Gibbs com um passo de Metropolis-Hastings (MH):

   • Amostragem do Mapa ($x$): A amostragem da posterior condicional do mapa é difícil devido ao grande tamanho e à estrutura de correlação. Os autores utilizam um critério de mínimos quadrados regularizado perturbado. Ao adicionar perturbações de ruído específicas aos dados e à média da priori, o minimizador deste critério resulta em uma amostra distribuída exatamente de acordo com a densidade posterior Gaussiana condicional desejada.
   • Amostragem de Hiperparâmetros ($\xi$): As posteriors condicionais para os parâmetros de precisão ($\gamma_n, \gamma_x$) são distribuições Gamma, e a média do ruído ($m_n$) segue uma distribuição Gaussiana. Estas são amostradas usando rotinas padrão.
   • Amostragem de Parâmetros do Instrumento ($\eta$): A posterior condicional para $\eta$ é não padrão e complexa. Os autores utilizam um passo de passeio aleatório de Metropolis-Hastings para $\eta$. Uma proposta é gerada e a razão de aceitação é computada com base na razão das densidades de posterior condicional (verossimilhança $\times$ priori).

Principais Contribuições

• Arcabouço de Estimativa Conjunta: O artigo apresenta um arcabouço Bayesiano unificado que estima conjuntamente o mapa, os hiperparâmetros e os parâmetros do instrumento, indo além da tradicional separação entre calibração e inversão.
• Inovação Algorítmica:
  • Desenvolvimento de uma técnica de amostragem específica para mapas Gaussianos de alta dimensão usando critérios perturbados para evitar a inversão direta de matrizes.
  • Integração de um passo de Metropolis-Hastings para lidar com a posterior condicional não linear e não padrão dos parâmetros do instrumento dentro de um loop de Gibbs.
• Capacidade Não Supervisionada e Míope: O método opera sem a "verdade do céu" (não supervisionado) e sem observações de calibração dedicadas (míope), estimando os parâmetros do instrumento diretamente dos dados científicos.

Resultados
O método foi avaliado utilizando o modelo do instrumento SPIRE tanto com dados simulados (Cirrus Galáctico, emissão estendida e fontes pontuais) quanto com observações reais (NGC 7023).

• Reconstrução do Mapa: O método não supervisionado produziu mapas visualmente e quantitativamente comparáveis aos "melhores" mapas supervisionados (onde os hiperparâmetros são ajustados manualmente usando a verdade fundamental). O erro de reconstrução foi apenas ligeiramente superior (3,47% vs. 3,12% para o Cirrus Galáctico simulado). O método restaurou com sucesso tanto as estruturas de grande escala quanto os detalhes de pequena escala invisíveis em mapas de soma simples (co-added) ingênuos.
• Estimativa de Hiperparâmetros: O algoritmo estimou corretamente os parâmetros de ruído e de regularidade. Para dados simulados com verdade fundamental conhecida, a precisão do ruído estimada ficou dentro de 1% do valor real.
• Estimativa de Parâmetros do Instrumento: No cenário míope, o parâmetro do instrumento (relacionado à largura da Função de Espalhamento de Ponto - PSF) foi estimado com um erro de aproximadamente 5–7%, apesar de uma incerteza de priori de 33%. A estimativa foi mais precisa quando a fonte continha conteúdo de alta frequência (fontes pontuais).
• Quantificação de Incerteza: O método fornece naturalmente a desvio padrão da posterior (PSD), oferecendo um mapa de incerteza que identifica corretamente regiões de alta confiança (áreas observadas) versus regiões extrapoladas.

Significância e Alegações
Os autores alegam que este trabalho demonstra a viabilidade de realizar a inversão não supervisionada e míope em um contexto astrofísico complexo. Eles afirmam que:

• O método proposto pode ajustar automaticamente hiperparâmetros e parâmetros de instrumento, eliminando a necessidade de intervenção manual ou varreduras de calibração dedicadas.
• A qualidade dos mapas resultantes é quase equivalente à obtida com conhecimento perfeito do instrumento e ajuste manual otimizado.
• A abordagem fornece um arcabouço consistente para lidar com o equilíbrio entre informação da priori e dados observacionais, enquanto quantifica a incerteza.

O artigo conclui que estes resultados iniciais são promissores para o processamento sistemático e automático de grandes fluxos de dados de instrumentos espaciais atuais e futuros (ex: Herschel, Planck, JWST), embora reconheça o custo computacional (aproximadamente 10 horas para o caso míope) e a ligeira subestimação de parâmetros do instrumento em certos regimes espectrais como áreas para refinamento futuro.