From Simulations to Surveys: Domain Adaptation for Galaxy Observations

Este artigo apresenta um pipeline de adaptação de domínio que melhora significativamente a precisão da classificação de morfologias de galáxias reais do SDSS ao treinar em imagens simuladas do TNG50 e empregar uma combinação de perdas de transporte ótimo ao nível de características, incluindo um novo mecanismo de correspondência suave top-$k$, para efetivamente reduzir a lacuna entre simulação e realidade.

O essencial

Imagine que você está tentando ensinar um aluno a identificar diferentes tipos de carros.

O Problema: O "Videogame" vs. O "Mundo Real"
Neste artigo, os "alunos" são programas de computador (modelos de IA) e os "carros" são galáxias.

• A Origem (O Videogame): Os pesquisadores primeiro treinaram sua IA usando imagens de uma simulação de computador super avançada chamada TNG50. Pense nisso como um videogame de alta definição perfeito. No jogo, a IA sabe exatamente o que cada carro é (um sedan, uma caminhonete ou um carro esportivo) porque o criador do jogo o programou dessa forma.
• O Alvo (O Mundo Real): Os pesquisadores então quiseram que a IA olhasse para fotos reais de galáxias tiradas pelo telescópio SDSS. Isso é como tirar a IA do videogame e colocá-la em uma rua movimentada e chuvosa. As fotos reais parecem diferentes: elas são mais granuladas, a iluminação é estranha e os "carros" (galáxias) parecem um pouco diferentes do que no jogo.

Se você apenas pegar a IA treinada no videogame e deixá-la adivinhar na rua real, ela ficará confusa. Ela pode achar que uma caminhonete real é um carro esportivo porque a iluminação é diferente. Isso é chamado de "desvio de domínio" (domain shift).

A Solução: A Pipeline do "Tradutor"
O artigo descreve um novo método para agir como um tradutor entre o mundo do videogame e o mundo real. Eles construíram uma pipeline para ajudar a IA a aprender que "uma galáxia espiral no jogo" é a mesma coisa que "uma galáxia espiral na foto real", embora pareçam diferentes.

Aqui está como eles fizeram isso, usando analogias simples:

1. Os Três Professores (Backbones):
   Eles testaram três tipos diferentes de "professores" de IA (redes neurais) para realizar o aprendizado:

• Um professor pequeno e simples (CNN).
• Um professor que é muito bom em reconhecer formas, não importa como sejam rotacionadas (CNN E(2)-orientável).
• Um professor famoso, pré-treinado (ResNet-18), que eles ajustaram (fine-tuned) para este trabalho específico.

2. O Treinamento em "Modo Difícil" (Focal Loss):
   Em seus dados, existem muito mais galáxias "Espirais" do que "Elípticas" ou "Irregulares". É como uma sala de aula onde 90% dos alunos estão usando camisas vermelhas e apenas alguns usam azuis. Se a IA apenas adivinhar "Vermelho" o tempo todo, ela terá uma pontuação alta, mas não aprenderá nada sobre as camisas azuis.
   Para corrigir isso, eles usaram uma regra de pontuação especial chamada Focal Loss. É como um professor que diz: "Eu não me importo se você acertar as perguntas fáceis das camisas vermelhas; eu vou te dar pontos extras (ou punição extra por erros) se você acertar as perguntas das raras camisas azuis". Isso força a IA a prestar atenção aos tipos de galáxias mais raros.

3. O Truque da "Mistura" (Adaptação de Domínio):
   Esta é a essência da invenção deles. Eles adicionaram uma regra especial ao processo de treinamento que força a IA a misturar as imagens do "jogo" e as imagens "reais" em sua memória interna.

• O Objetivo: Eles querem que o mapa interno da IA pareça um smoothie onde os ingredientes do "jogo" e os ingredientes "reais" são misturados tão bem que você não consegue distinguir qual é qual.
• A Ferramenta: Eles usaram uma ferramenta matemática chamada Transporte Ótimo (especificamente "Sinkhorn" e "Top-k"). Imagine que você tem dois montes de peças de quebra-cabeça (um do jogo e um da realidade). A IA tenta combiná-los.
• O Segredo do "Top-k": Normalmente, a IA tenta combinar cada peça. Mas, às vezes, ela combina uma peça do jogo com uma peça real errada apenas para fazer a matemática funcionar. Os pesquisadores adicionaram uma regra "Top-k": "Ignore as combinações fáceis; foque apenas nos 10 pares mais difíceis que não se encaixam bem e force esses a combinarem." Isso é como dizer à IA: "Pare de fingir nas coisas fáceis; corrija as incompatibilidades específicas que estão te confundindo de verdade."

Os Resultados: De Confusa a Confiante
O artigo relata os resultados deste experimento:

• Antes do ajuste: Quando a IA tentava adivinhar os tipos de galáxias em fotos reais sem este treinamento especial, ela tinha apenas cerca de 46% de precisão. Ela estava basicamente chutando.
• Depois do ajuste: Com o novo método de mistura "Top-k", a precisão saltou para 87%.
• A Prova: Eles verificaram o "cérebro" interno da IA (espaço latente). Antes do ajuste, a IA mantinha as imagens do jogo e as imagens reais em salas separadas (ela sabia que eram diferentes). Após o ajuste, as salas foram fundidas em um grande salão onde as imagens foram misturadas perfeitamente. Isso provou que a IA realmente aprendeu a ver as semelhanças, não apenas as diferenças.

O Que Vem a Seguir?
Os autores afirmam que isso é apenas uma "prova de conceito". Eles planejam:

• Ensinar a IA a reconhecer mais do que apenas formas (como a quantidade de gás que uma galáxia possui ou se ela tem um buraco negro).
• Tornar-se melhores em detectar as galáxias "Irregulares" raras.
• Testar isso em dados de telescópios ainda maiores e futuros (como o Observatório Vera C. Rubin).

Em resumo, eles construíram uma ponte que permite que uma IA treinada em simulações de computador perfeitas consiga compreender fotos reais e desordenadas do universo.

Resumo técnico

Resumo Técnico: De Simulações a Levantamentos: Adaptação de Domínio para Observações de Galáxias

Definição do Problema
O artigo aborda o desafio crítico de transferir modelos de aprendizado de máquina treinados em dados simulados de galáxias para levantamentos observacionais reais. Embora grandes levantamentos fotométricos (ex: Observatório Vera C. Rubin, Euclid) irão observar bilhões de galáxias, inferir propriedades físicas como morfologia, massa estelar e taxas de formação estelar permanece difícil sem métodos rápidos e automatizados. Simulações (especificamente a TNG50) fornecem imagens com rótulos físicos de verdade fundamental (ground-truth), mas existe um "deslocamento de domínio" (domain shift) significativo entre essas simulações e dados reais (ex: SDSS). Esse deslocamento surge de diferenças na Função de Espalhamento de Ponto (PSF), ruído, níveis de fundo, funções de seleção e priors demográficos. A transferência ingênua de modelos treinados em simulações para dados reais corre o risco de enviesar inferências físicas, distorcer a demografia massa–taxa de formação estelar e contaminar relações de escala. Os autores enquadram isso como um problema de deslocamento de covariável (covariate-shift), onde a distribuição condicional de rótulos é aproximadamente estável ($p_S(y|x) \approx p_T(y|x)$), mas as distribuições de entrada e de seleção diferem ($p_S(x) \neq p_T(x)$).

Metodologia
Os autores propõem um pipeline preliminar de adaptação de domínio que treina em observações simuladas da TNG50 e avalia em galáxias reais do SDSS com rótulos de morfologia derivados do Galaxy Zoo (elíptica, espiral, irregular).

• Dados:
  • Fonte: 3.232 galáxias da simulação Illustris TNG50 (z=0 e z≈0,05) processadas com SKIRT para gerar imagens sintéticas em 4 bandas (g, r, i, z). O conjunto de dados foi aumentado via rotações e reflexões para 25.856 imagens.
  • Alvo: 6.416 galáxias reais do SDSS com rótulos de morfologia derivados de voluntários do Galaxy Zoo. As classes são altamente desbalanceadas, com as espirais dominando e as irregulares sendo raras.
• Arquiteturas: Três redes de base (backbones) são comparadas:
  1. Uma CNN customizada pequena (dois blocos convolucionais + MLP).
  2. Uma CNN E(2)-estarável (ESCNN) usando um grupo de rotação discreta $C_8$.
  3. Uma ResNet-18 pré-treinada no ImageNet, ajustada (fine-tuned) com uma cabeça MLP específica para a tarefa.
• Funções de Perda e Estratégia de Treinamento:
  • Perda Supervisionada: A perda focal (focal loss) com ponderação de número efetivo de classes é utilizada para lidar com o desbalanceamento de classes, substituindo a entropia cruzada padrão.
  • Alinhamento de Domínio: A contribuição central é uma perda de domínio de nível de característica ($L_D$) calculada em embeddings normalizados em $L_2$ usando métricas de distância diferenciáveis de uma biblioteca GeomLoss estendida. Os autores testam 46 medidas de distância/similaridade distintas através de oito famílias (ex: Minkowski, Produto Interno, Entropia).
  • Transporte Ótimo (OT) & Correspondência Top-k: Uma nova perda de alinhamento composta ($L_{OT}$) é introduzida. Ela combina:
    1. Transporte ótimo entrópico global (divergência de Sinkhorn) para correspondência suave (soft matching).
    2. Uma penalidade "top-k" focada nos $k$ pares fonte-alvo pior correspondidos para evitar acoplamentos incorretos (ex: espirais alinhando-se a elípticas).
    3. A perda completa é $L = \lambda_{sup} L_{sup} + \lambda_D L_D + \lambda_{OT} L_{OT}$.
  • Regime de Treinamento: Os modelos passam por um warmup de 20 épocas apenas com perda supervisionada, seguido de treinamento conjunto. Estratégias para ponderação de perdas incluem pesos fixos, pesos treináveis (via funções sigmoides) e um "cronograma de desfoque" (blur schedule) para parâmetros de Sinkhorn. Uma Rede Neural de Domínio Adversário (DANN) com uma Camada de Reversão de Gradiente (GRL) também é implementada como linha de base (baseline).

Resultos Principais

• Ganhos de Desempenho: O pipeline de adaptação de domínio melhora significativamente o desempenho no domínio alvo. Sem a adaptação (Baseline), o F1 macro é de aproximadamente 30% (acurácia 46%). Com a adaptação proposta baseada em distância euclidiana usando pesos treináveis e correspondência top-k, o F1 macro do alvo sobe para **62,6%** e a acurácia para ~87,3%.
• Alinhamento do Espaço Latente: A eficácia da adaptação é visualizada via um classificador de domínio (AUC). O Baseline mostra separação perfeita de domínio (AUC = 1,00), indicando que o modelo consegue distinguir facilmente a simulação dos dados reais. Em contraste, os melhores modelos adaptados alcançam um AUC de domínio próximo a 0,51–0,53, indicando que as distribuições fonte e alvo estão efetivamente misturadas no espaço latente.
• Sensibilidade da Métrica: O estudo destaca que a escolha da métrica de distância na perda de alinhamento é crucial. Embora a distância euclidiana tenha performado bem, os autores testaram sistematicamente 12 métricas representativas (incluindo Jaccard, Dice e várias normas) para entender seu impacto no alinhamento.
• Estabilidade: O esquema de ponderação treinável ($\lambda_{sup}, \lambda_D$) proporcionou a convergência mais estável em comparação com pesos fixos ou treinamento adversário isolado.

Significância e Alegações
O artigo posiciona este trabalho como um pipeline protótipo e um precursor de um esforço maior visando interpretar as próximas observações de galáxias do Observatório Rubin usando centenas de milhares de observações simuladas da Illustris.

• Escopo Modesto: Os autores declaram explicitamente que este é um estudo "preliminar" e uma "prova de conceito". Eles não alegam ter resolvido o problema geral de adaptação de domínio para todas as tarefas astrofísicas, mas sim demonstram que combinações específicas de perdas baseadas em OT e correspondência top-k podem efetivamente estreitar a lacuna entre as simulações TNG50 e as observações do SDSS para classificação de morfologia.
• Consequência Científica: O trabalho enfatiza que a adaptação de domínio robusta é necessária para preservar previsões calibradas e fisicamente significativas para estudos populacionais. Sem ela, os modelos correm o risco de deslocar as misturas de tipos precoces/tardios e distorcer relações de escala.
• Direções Futuras: Os autores delineiam passos específicos seguintes, incluindo a extensão para aprendizado multitarefa (massa estelar, AGN, formação estelar), melhoria no tratamento da classe rara "irregular", investigação de agendadores de taxa de aprendizado sensíveis à distância e teste de arquiteturas alternativas como transformadores equivariantes.

O artigo conclui que, embora estudos anteriores tenham mostrado promessa, o desenvolvimento metodológico em métricas de distância e estratégias de alinhamento (especificamente a correspondência suave top-k) oferece um caminho viável para o aprendizado por transferência confiável para os próximos levantamentos astronômicos.