Euclid: Improving redshift distribution reconstruction using a deep-to-wide transfer function

Resumo Técnico: Euclid: Melhorando a reconstrução da distribuição de redshift usando uma função de transferência de profundo para amplo

Declaração do Problema
A missão Euclid visa restringir a natureza da energia escura e a história de expansão do Universo por meio de medições de cisalhamento cósmico. Alcançar a precisão científica necessária exige uma reconstrução extremamente precisa da verdadeira distribuição de redshift, $n(z)$, para galáxias em bins tomográficos. O erro sistemático na redshift média, $\sigma_{\langle z \rangle}$, deve satisfazer $\sigma_{\langle z \rangle} < 0.002(1+z)$ por bin.

Os métodos de calibração atuais dependem de amostras de referência com redshifts espectroscópicos para corrigir redshifts fotométricos. No entanto, uma fonte significativa de incerteza sistemática surge da incompatibilidade nas propriedades fotométricas entre os campos de referência profundos (Campos Auxiliares do Euclid, EAFs) e o levantamento amplo raso (Levantamento Amplo do Euclid, EWS). O EWS é aproximadamente duas magnitudes mais raso que os EAFs, levando a diferentes razões sinal-ruído (S/N) e a dispersões distintas no espaço de cores devido a incertezas fotométricas. Consequentemente, fontes idênticas observadas em configurações profunda e ampla ocupam regiões diferentes do Mapa Auto-Organizável (SOM) usado para calibração, levando a reconstruções de $n(z)$ enviesadas. Embora métodos de simulação baseados em imagens como o Balrog (utilizado pelo Dark Energy Survey) possam abordar isso, eles são computacionalmente caros e exigem modificações substanciais em pipelines complexos.

Metodologia
Os autores propõem um método de Transferência Multi-Banda (MPT) em nível de catálogo para degradar a fotometria de objetos da amostra profunda de modo que eles imitem estatisticamente as observações do levantamento amplo.

1. Construção da Função de Transferência:

   • Diferentemente da transferência simples de banda única (SPT) que adiciona ruído gaussiano independente, a MPT preserva as correlações entre fluxos, erros de fluxo e entre diferentes bandas.
   • Para um objeto da amostra profunda com fluxos $d_{X,i}$ e erros $\sigma_{X,i}$, o método identifica os vizinhos mais próximos no catálogo da amostra ampla (usando uma árvore k-d) com base no espaço de fluxos.
   • Calcula-se uma verossimilhança $L$ de que um objeto da amostra ampla seja idêntico ao da amostra profunda, considerando a variância combinada de ambas as medições.
   • Um objeto da amostra ampla é selecionado com base nessas verossimilhanças, e seus erros de fluxo ($\tau_{X,i}$) são aplicados ao objeto profundo. Os novos fluxos "semelhantes a amplos" são extraídos de uma distribuição normal $N(d_{X,i}, \tau_{X,i}^2)$.
   • Este processo garante que a distribuição de probabilidade multidimensional da amostra degradada corresponda à amostra ampla, incluindo correlações de erro.

2. Função de Seleção:

   • Uma função de seleção empírica é aplicada à amostra transformada para levar em conta o fato de que fontes profundas fracas não seriam detectadas no levantamento amplo. Isso é derivado da distribuição de fluxo do campo amplo.

3. Integração no Pipeline de Calibração:

   • O método é integrado ao framework de calibração baseado em SOM (Masters et al. 2015).
   • Os autores testam vários cenários (A–G) para determinar a implementação ótima:
     • Cenário A: Método original de Masters et al. (Amostra profunda usada diretamente).
     • Cenário C: O subconjunto de calibração profunda é transformado 50 vezes usando MPT para criar uma amostra "MPT-Mock", que é então projetada em um SOM treinado com dados profundos.
     • Cenário F: Todo o pipeline (treinamento do SOM, definição de bins e projeção) utiliza a amostra MPT-Mock.
     • Cenário G: Objetos são atribuídos a bins tomográficos com base em redshifts fotométricos individuais (seguindo Roster et al. 2025) usando a amostra MPT-Mock.

Principais Contribuições

• Desenvolvimento da MPT: Um algoritmo eficiente em nível de catálogo que degrada a fotometria profunda para condições semelhantes às de levantamentos amplos, preservando correlações de erro de fluxo multi-banda.
• Validação contra o Balrog: O método é testado contra o catálogo DES Y3 Balrog (injeção baseada em imagens). Os autores demonstram que a MPT recupera as propriedades estatísticas da amostra ampla (distribuições de fluxo e erro) com uma distância de Wasserstein comparável ou melhor que a do Balrog, apesar de ser significativamente mais rápida (processando 1 milhão de fontes em 8 bandas em ~5 minutos).
• Avaliação Sistemática das Etapas de Calibração: Ao isolar etapas específicas no pipeline de calibração (treinamento do SOM, definição de bins e projeção de referência), o artigo identifica que o fator mais crítico para a precisão é garantir que os objetos de referência (amostra espectroscópica) estejam distribuídos no espaço de cores da mesma maneira que os objetos do levantamento amplo.

Resultados
Os métodos foram testados usando a Simulação de Galáxias Mock Flagship do Euclid, que fornece redshifts de verdade absoluta.

• Métricas de Desempenho: O viés médio de redshift ($\Delta z / (1+z)$) foi medido em dez bins tomográficos.
• Comparação de Cenários:
  • Cenário A (Original): Falhou em atender aos requisitos do Euclid na maioria dos bins, com vieses tão altos quanto $0.124/(1+z)$.
  • Cenário C (MPT na projeção de referência): Mostrou melhoria significativa, com uma probabilidade não desprezível de atender aos requisitos em muitos bins.
  • Cenário G (MPT + binning individual de redshifts fotométricos): Alcançou o melhor desempenho, com uma probabilidade de atender ao requisito $\sigma_{\langle z \rangle} < 0.002(1+z)$ em todos os bins (variando de 31% a 77% dependendo do bin).
• Forma da Distribuição: Além da média, o método reproduz com sucesso a forma completa da distribuição $n(z)$. Para o bin $1.0 < z \le 1.25$, a variância da $n(z)$ reconstruída correspondeu à variância verdadeira dentro de 1% (Cenários C e F), enquanto o método não corrigido (Cenário B) mostrou um erro de 15% na variância.
• Cobertura do SOM: Usar a MPT para gerar múltiplas realizações da amostra de referência reduziu a fração de células SOM não populadas (incalibráveis) de 46,5% (apenas amostra profunda) para 6,7% (Cenário C).

Significado e Alegações
O artigo alega que o método MPT fornece uma solução robusta e viável para a Liberação de Dados 1 (DR1) do Euclid e além.

• Viabilidade: A abordagem demonstra que a reconstrução precisa de $n(z)$ é alcançável sem simulações de imagens computacionalmente proibitivas, desde que as propriedades fotométricas da amostra de referência sejam corretamente degradadas para corresponder à profundidade do levantamento.
• Insight Crítico: O principal motor para o sucesso da calibração não é necessariamente retreinar o SOM em dados semelhantes aos amplos (o que performou mal no Cenário E), mas sim garantir que a projeção da amostra de referência no SOM reflita a distribuição de cores do levantamento amplo.
• Aplicabilidade Mais Ampla: O método preserva a estrutura estatística completa da distribuição de redshift (incluindo momentos superiores), tornando-o adequado para aplicações além do lentesamento fraco, como aglomeramento angular.
• Perspectiva Moderada: Os autores observam que, embora o método atenda aos requisitos para a DR1, melhorias adicionais (por exemplo, melhores amostras de referência) serão necessárias para liberações de dados subsequentes. O trabalho estabelece uma base sólida para pipelines de calibração futuros.