Enhancing weak lensing redshift distribution characterization by optimizing the Dark Energy Survey Self-Organizing Map Photo-z method

Resumo Técnico: Melhorando a Caracterização da Distribuição de Redshift de Lenteamento Fraco através da Otimização do Método de Mapa Auto-Organizável de Fotometria de Redshift do Dark Energy Survey

Definição do Problema
A caracterização precisa da distribuição de redshift, $n(z)$, de conjuntos de galáxias é um pré-requisito crítico para estudos cosmológicos de grande escala, particularmente para análises de lenteamento gravitacional fraco. Levantamentos fotométricos, embora capazes de obter imagens de um vasto número de galáxias, sofrem com a incapacidade de medir distâncias precisas diretamente. Em vez disso, eles dependem de redshifts fotométricos (photo-z) inferidos a partir de fluxos de banda larga. Um desafio primário neste domínio é a degenerescência na relação cor-redshift, que impede a determinação única do redshift. Além disso, as amostras de fonte de lenteamento são tipicamente mais fracas, profundas e azuis do que as galáxias vermelhas brilhantes frequentemente usadas para calibração, tornando suas distribuições de redshift mais difíceis de caracterizar com precisão. Uma caracterização imprecisa de $n(z)$ introduz erros sistemáticos que podem enviesar as restrições de parâmetros cosmológicos, como os de energia escura e matéria escura.

Metodologia
Este trabalho investiga melhorias na metodologia de Mapa Auto-Organizável (SOM) utilizada para a estimativa de photo-z (SOMPZ) no contexto do Dark Energy Survey (DES). O estudo utiliza dados do DES Ano 3 (Y3) como um banco de testes para preparar o conjunto de dados mais profundo do DES Ano 6 (Y6). A abordagem SOMPZ padrão emprega dois SOMs: um "Deep SOM" treinado em dados de campo profundo (incluindo redshifts espectroscópicos) e um "Wide SOM" treinado no catálogo de fontes de campo amplo. A distribuição de redshift da amostra de campo amplo é inferida mapeando as galáxias de campo amplo para o Deep SOM via uma função de transferência derivada de injeções Balrog (galáxias simuladas inseridas em imagens reais).

Os autores propõem e testam três estratégias específicas para aprimorar o framework existente do SOMPZ do Y3:

1. Substituição Algorítmica (SOMF): Substituir o algoritmo SOM padrão (que assume dados de treinamento ideais) pelo algoritmo SOMF proposto por Sánchez & Raveri et al. (2020). O SOMF é projetado para lidar com incertezas de medição em galáxias fracas ao redefinir a métrica de distância e as regras de atualização de pesos. Ele converte fluxos em unidades de razão sinal-ruído (SNR) e utiliza uma métrica de distância que transita entre a distância Euclidiana em fluxo linear (baixo SNR) e log-fluxo (alto SNR), reduzendo assim a sensibilidade ao ruído e a outliers.
2. Inclusão da banda $g$: Incorporar informações de fluxo da banda $g$ no treinamento e atribuição do SOM de campo amplo. Embora a banda $g$ tenha sido excluída das medições de forma de lenteamento fraco do Y3 devido a problemas de calibração da Função de Espalhamento de Ponto (PSF), os autores testam sua utilidade puramente para a estimativa de redshift fotométrico, hipotetizando que a informação de cor adicional restringirá melhor os bins de redshift.
3. Inclusão de Redshift como uma Feature: Uma abordagem não convencional onde os redshifts espectroscópicos (quando disponíveis) são adicionados como uma feature explícita no vetor de entrada para o Deep SOM. Isso testa se o fornecimento explícito da variável alvo durante o processo de agrupamento não supervisionado melhora o $n(z)$ resultante, apesar do risco de overfitting ou de violar a natureza não supervisionada do método.

Resultos Principais
A análise compara os métodos modificados contra os resultados fiduciários do SOMPZ do Y3 usando os mesmos conjuntos de dados (Wide, Deep, Redshift e Balrog).

• Sobreposição de Bins de Redshift: A métrica primária de sucesso é a redução da sobreposição entre os bins tomográficos de redshift, o que minimiza a contaminação de sinal entre os bins.
  • Estratégia 1 (SOMF): A mudança para o algoritmo SOMF sozinho reduziu o desvio padrão mediano da distribuição de redshift por célula em aproximadamente 20% em comparação com o Y3 SOM. Resultou em uma redução de 3% na sobreposição para o par de bins 0-1.
  • Estratégia 2 (banda $g$): A adição da banda $g$ ao SOM fiduciário do Y3 reduziu a sobreposição em 23% para o par de bins 0-1.
  • Estratégia Combinada (SOMF + banda $g$): Combinar o algoritmo SOMF com a informação da banda $g$ gerou as melhorias mais significativas. Esta combinação reduziu a sobreposição entre o par de bins 1-3 em 66% e o par 1-2 em 33% em comparação com o SOM fiduciário do Y3 usando apenas as bandas $riz$. As distribuições de $n(z)$ resultantes exibiram picos mais nítidos e bins melhor definidos.
• Redshift como uma Feature: A terceira estratégia, adicionando o redshift como uma feature de entrada, produziu resultados inferiores ao método fiduciário e foi consequentemente abandonada.
• Impacto Cosmológico: O artigo observa que substituir o algoritmo SOM requer uma reconstrução completa do vetor de dados, incluindo estatísticas de 2 pontos e matrizes de covariância. Embora o algoritmo SOMF com as bandas $riz$ tenha sido totalmente propagado para as restrições de parâmetros cosmológicos (plano $S_8 - \Omega_m$), a inclusão da banda $g$ não pôde ser totalmente propagada para parâmetros cosmológicos neste trabalho devido à falta de medições de forma na banda $g$ no Y3. Em vez disso, vetores de dados simulados foram usados para comparar contornos, indicando que os bins de redshift melhorados estreitariam as restrições.

Significância e Alegações
Os autores alegam que seus achados demonstram que otimizar a metodologia SOM pode melhorar significativamente a caracterização das distribuições de redshift de lenteamento fraco sem exigir novos dados observacionais. Ao combinar o algoritmo SOMF (que considera erros de medição) com a inclusão da informação de fluxo da banda $g$, o estudo conseguiu reduzir a sobreposição de bins de redshift em até 66% nos dados do DES Y3.

O artigo posiciona estes resultados como um passo crítico em direção à análise final do DES Ano 6 e para futuros levantamentos de Estágio IV, como o Observatório Rubin e o Euclid. Os autores argumentam que, à medida que os erros estatísticos diminuem em conjuntos de dados maiores, a robustez da metodologia torna-se primordial. O fato de diferentes implementações de SOM (Y3 vs. SOMF) produzirem conclusões cosmológicas consistentes aumenta a confiança no método. Além disso, o sucesso da integração da banda $g$ para estimativa de photo-z (mesmo que ainda não para medição de forma) motiva a importância de PSFs bem calibrados nesta banda para análises futuras, onde se espera que tais dados sejam utilizáveis tanto para estimativa de forma quanto de redshift. O trabalho estabelece as bases para alcançar as restrições de nível sub-percentual na distribuição média de redshift exigidas para as próximas gerações de levantamentos cosmológicos.