Owl-z: a Bayesian tool to select z \geq 7 quasars

Resumo Técnico de "Owl-z: uma ferramenta Bayesiana para selecionar quasares com $z \gtrsim 7$"

Enunciado do Problema
A identificação de quasares de alto desvio para o vermelho ($z \gtrsim 7$) é fundamental para compreender o Universo primitivo, a gênese de buracos negros supermassivos e a época da reionização. No entanto, a seleção fotométrica desses objetos em levantamentos de campo amplo é desafiadora devido à sua magnitude tênue e à severa contaminação por populações intrusas. Especificamente, as cores vermelhas dos quasares de alto-$z$, causadas pelo salto Lyman-$\alpha$, são mimetizadas por anãs marrons (tipos espectrais M, L, T) e galáxias de tipo precoce de desvio para o vermelho intermediário ($1 \lesssim z \lesssim 2$). Métodos tradicionais de corte de cor frequentemente têm dificuldade em distinguir essas populações, particularmente em desvios para o vermelho mais baixos ($7 < z < 8$), onde os espaços de cor de quasares e contaminantes se sobrepõem significativamente. Com o advento de levantamentos massivos como o Euclid, há uma necessidade de ferramentas estatísticas eficientes e otimizadas para selecionar candidatos a quasares de alto-$z$, minimizando a demanda por acompanhamento espectroscópico dispendioso.

Metodologia
O artigo apresenta o Owl-z, um código Bayesiano de código aberto projetado para calcular a probabilidade posterior de uma fonte pertencer a uma de três populações modeladas: quasares de alto-$z$ ($7 \le z \le 12$), galáxias de tipo precoce de desvio para o vermelho intermediário ($1 < z < 2$) ou anãs marrons (estrelas MLT, tipos espectrais M6–T9).

• Formalismo Bayesiano: O código utiliza o teorema de Bayes para computar a probabilidade posterior $P(t|D)$ para um tipo de fonte $t$ dados os dados fotométricos $D$. Isso é impulsionado pela densidade superficial a priori das populações e pela verossimilhança integrada (evidência) dos dados dado o tipo de fonte.
• Modelagem de População:
  • Quasares: Modelados usando uma coleção de templates de distribuição espectral de energia (SED) (compostos suavizados e modelos paramétricos) e uma função de luminosidade (LF) de lei de potência dupla derivada de Willott et al. (2010) e Matsuoka et al. (2023).
  • Anãs Marrons: Modeladas usando bibliotecas espectrais observadas (LHS e prisma SpeX) e fotometria WISE. A distribuição espacial é modelada como um disco fino com uma distribuição exponencial vertical e horizontal, restrita à aproximação de disco fino para a profundidade do EWS, com densidades superficiais dependentes da latitude galáctica.
  • Galáxias Contaminantes: Modeladas usando SEDs de galáxias de tipo precoce (modelos SSP) e uma função de luminosidade derivada do catálogo E-COSMOS (Euclidised COSMOS2202), ajustada com uma função de Schechter.
• Cálculo de Verossimilhança: A verossimilhança dos dados é computada como uma mistura de densidades multivariadas centradas nos fluxos do modelo, contabilizando erros fotométricos gaussianos e não detecções (usando fotometria forçada ou limites superiores).
• Implementação: Escrito em Python (utilizando NumPy, SciPy, Astropy e Cython para velocidade), o código recebe dados fotométricos e coordenadas galácticas como entrada e fornece probabilidades para cada população, juntamente com os parâmetros de melhor ajuste (desvio para o vermelho, magnitude, tipo espectral).

Principais Contribuições

1. Desenvolvimento do Owl-z: Uma ferramenta Bayesiana flexível, rápida e pública, especificamente ajustada para o Euclid Wide Survey (EWS), mas adaptável a outros levantamentos (ex: LSST, Roman).
2. Modelagem Abrangente de Contaminantes: Modelagem explícita tanto das populações de anãs marrons (incluindo o impacto da latitude galáctica e aproximações de disco fino/espesso) quanto de galáxias de tipo precoce de desvio para o vermelho intermediário, que são identificadas como os principais contaminantes.
3. Validação em Dados Reais: Reidentificação bem-sucedida de todos os quasares conhecidos com confirmação espectroscópica em $z > 7$ de vários levantamentos (DECaLS, Pan-STARRS, HSC, UKIDSS, WISE), demonstrando a versatilidade do código através de diferentes conjuntos de dados fotométricos.
4. Métricas de Desempenho: Introdução de uma métrica de desempenho global, a F-measure, que combina completude (Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)) e pureza (Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Positivos)) para avaliar a eficiência de seleção.

Resultos

• Reidentificação: O Owl-z alcançou uma probabilidade $P_q > 0,99$ para todos os oito quasares testados com confirmação espectroscópica em $z > 7$, distinguindo-os corretamente de contaminantes de anãs MLT.
• Completude e Pureza (Simulações): Usando dados simulados do EWS ($7 \le z \le 12$, $18 \le H_E \le 24,5$):
  • Fontes Brilhantes: Para fontes mais brilhantes que $H_E \approx 22$, o Owl-z atinge o desempenho total (alta F-measure) com alta completude e pureza, sendo amplamente independente do desvio para o vermelho.
  • Fontes Tênues: O desempenho degrada para fontes mais tênues ($H_E > 22$) devido às baixas razões sinal-ruído (SNR) e ao aumento da confusão com contaminantes.
  • Dependência de Desvio para o Vermelho: A completude é menor em $7 < z < 8$ devido à confusão com anãs de tipo tardio. Em $z \approx 10$, observa-se uma queda na completude devido à confusão com galáxias de tipo precoce.
  • Desvios para o Vermelho Fotométricos: O código fornece estimativas precisas de desvio para o vermelho fotométrico ($z_{out}$) com uma correlação de Pearson de 0,97 contra os desvios para o vermelho reais para $H_E < 24$, e uma baixa fração de outliers ($\sim 2,5\%$ para $\Delta z > 0,1(1+z)$).
• Otimização de Limiar: O estudo demonstra que o limiar de probabilidade de seleção ($\zeta$) pode ser ajustado no pós-processamento. Um limiar baixo ($\zeta = 0,1$) é suficiente para fontes brilhantes para maximizar a completude, enquanto um limiar mais alto ($\zeta \approx 0,9$) é necessário para fontes tênues para manter a pureza contra a contaminação de galáxias de tipo precoce.
• Robustez: O desempenho do código é relativamente uniforme em toda a pegada do EWS, mostrando apenas variações menores devido às coordenadas galácticas ou diferenças de SNR. A inclusão de anãs marrons de disco espesso nas simulações teve um impacto negligenciável na F-measure para a profundidade do EWS, validando a aproximação de disco fino para este levantamento.

Significância
O artigo afirma que o Owl-z é uma poderosa ferramenta pública para otimizar a seleção de quasares de alto-$z$ no Euclid e em outros levantamentos de campo amplo. Ao fornecer um método robusto para distinguir quasares de contaminantes, ele facilita a otimização de campanhas de confirmação fotométrica e espectroscópica. A capacidade de ajustar os limiares de seleção baseados na magnitude e no desvio para o vermelho permite que os observadores equilibrem o compromisso entre encontrar mais candidatos (completude) e garantir sua confiabilidade (pureza). Os autores enfatizam que, embora a ferramenta seja ajustada para o Euclid, seu framework Bayesiano e adaptabilidade a tornam uma solução versátil para a próxima era de levantamentos cosmológicos de grande escala.