Optimizing Deep Learning Photometric Redshifts for the Roman Space Telescope with HST/CANDELS

Resumo Técnico: Otimização de Redshifts Fotométricos com Aprendizado Profundo para o Telescópio Espacial Roman com HST/CANDELS

Declaração do Problema
O Telescópio Espacial Nancy Grace Roman gerará vastas quantidades de imagens no infravermelho próximo de alta resolução e profundidade, necessitando de estimativas precisas de redshift fotométrico (photo-z) para centenas de milhões de galáxias para estudar cosmologia, evolução de galáxias e transientes. Embora métodos de aprendizado profundo (DL) que utilizam informações em nível de pixel tenham demonstrado desempenho superior em relação aos métodos tradicionais de ajuste de modelos e de aprendizado de máquina (ML) clássico para imagens de baixa redshift baseadas no solo, sua eficácia em dados espaciais fracos e de alta redshift ($z \sim 3$) permanece não testada. Um desafio crítico é a escassez de rótulos de redshift espectroscópico (spec-z) para fontes fracas; as imagens do Roman superarão em muito seu acompanhamento espectroscópico. Consequentemente, há uma necessidade de determinar se algoritmos de DL podem aproveitar efetivamente a abundância de imagens não rotuladas juntamente com dados rotulados limitados para alcançar precisão ótima de photo-z neste regime.

Metodologia
Os autores utilizaram o levantamento CANDELS do Telescópio Espacial Hubble (HST) como proxy para dados do Roman, selecionando 99.505 fontes com rótulos de redshift confiáveis ($z_{ref}$) derivados de espectroscopia, dados de grism e fotometria multibanda. O conjunto de dados foi dividido em subconjuntos rotulados (treinamento, validação, teste) e não rotulados. O estudo comparou quatro abordagens distintas:

1. Linhas de Base Clássicas:

   • Ajuste de Modelos: LePHARE, ajustando a fotometria observada a modelos de distribuição de energia espectral (SED).
   • ML Fotométrico: Um Perceptron Multicamadas (MLP) totalmente supervisionado treinado em cores e magnitudes fotométricas integradas.

2. Abordagens de Aprendizado Profundo:

   • CNN Totalmente Supervisionada: Uma arquitetura ConvNeXt treinada exclusivamente em imagens rotuladas para prever redshift diretamente a partir de dados de pixel.
   • CNN Auto-supervisionada: Uma abordagem em dois estágios usando aprendizado contrastivo (MoCo) para pré-treinar em todas as imagens não rotuladas para aprender representações latentes, seguida de ajuste fino no subconjunto rotulado para previsão de redshift.
   • CNN Semi-supervisionada (PITA): Um novo "Algoritmo de Inferência de Photo-z com Tarefa Tripla" que otimiza conjuntamente três funções de perda simultaneamente:
     • Perda Contrastiva ($L_{contrastive}$): Aprendida de todas as imagens (rotuladas e não rotuladas) para capturar características morfológicas.
     • Perda de Cor ($L_{color}$): Aprendida de todas as imagens para garantir que o espaço latente codifique cores fotométricas.
     • Perda de Redshift ($L_{z}$): Aprendida apenas de imagens rotuladas para alinhar o espaço latente com valores de redshift.

Os autores empregaram Aproximação e Projeção de Variedade Uniforme (UMAP) para visualizar os espaços latentes gerados pelos modelos auto-supervisionados e semi-supervisionados, analisando o quão bem esses espaços codificavam magnitude, cor, morfologia e redshift.

Principais Resultados

• Métricas de Desempenho: O algoritmo semi-supervisionado PITA alcançou o melhor desempenho em todas as métricas (viés, desvio absoluto mediano normalizado $\sigma_{NMAD}$ e fração de outliers $f_{outlier}$) para fontes brilhantes ($m_{F160W} < 22$) e fracas ($m_{F160W} < 25$). Em comparação com a linha de base ML fotométrica, o PITA reduziu o viés em 34%, $\sigma_{NMAD}$ em 14% e $f_{outlier}$ em 17% para o conjunto de teste completo, com melhorias ainda maiores para fontes brilhantes.
• Aprendizado Profundo vs. Fotometria: A CNN totalmente supervisionada superou tanto os métodos de ajuste de modelos quanto os métodos de ML baseados apenas em fotometria, confirmando que informações em nível de pixel contêm dados adicionais relevantes para redshift além do fluxo integrado, mesmo para galáxias fracas e de alta redshift.
• Falha da Auto-supervisão Pura: A abordagem de aprendizado contrastivo auto-supervisionado, embora bem-sucedida em estudos anteriores de baixa redshift, teve desempenho inferior em relação à CNN totalmente supervisionada neste regime de alta redshift. Visualizações UMAP revelaram que o espaço latente auto-supervisionado codificava principalmente magnitude e tamanho (morfologia), mas falhou em capturar gradientes suaves de cor e redshift, levando a flutuações significativas na inferência de photo-z.
• Escalabilidade com Escassez de Rótulos: O PITA demonstrou desempenho robusto mesmo quando o tamanho do conjunto de treinamento rotulado foi significativamente reduzido. Diferentemente dos modelos totalmente supervisionados, que degradam rapidamente com menos rótulos, o PITA manteve precisão superior ao aproveitar os dados não rotulados para aprender características informativas (via perdas contrastivas e de cor) enquanto usava os rótulos esparsos para alinhar o espaço latente para regressão.

Significado e Afirmações
O artigo afirma que, para o Telescópio Espacial Roman, onde os rótulos espectroscópicos serão escassos para a maioria das fontes (especialmente em alta redshift e magnitudes fracas), o aprendizado profundo semi-supervisionado é a estratégia ótima. Os autores argumentam que métodos puramente auto-supervisionados podem falhar em codificar as propriedades físicas específicas (cor e redshift) necessárias para inferência de photo-z em conjuntos de dados profundos e baseados no espaço, porque a variância dominante nos dados de pixel é impulsionada pelo brilho e pela morfologia, e não pela cor.

Ao introduzir o algoritmo PITA, os autores demonstram que incorporar conhecimento de domínio — especificamente, a previsão explícita de cores fotométricas juntamente com o redshift — guia o espaço latente para ser fisicamente informativo. Isso permite uma interpolação suave entre redshifts de treinamento esparsos, permitindo estimativas precisas de photo-z tanto para fontes brilhantes (ricas em rótulos) quanto fracas (escassas em rótulos). O estudo conclui que levantamentos futuros devem utilizar abordagens semi-supervisionadas que combinam dados de imagens não rotuladas com restrições específicas de domínio (como cor) para maximizar o retorno científico de missões de imagem profunda.