A Probabilistic Autoencoder for Galaxy SED Reconstruction and Redshift Estimation: Application to Mock SPHEREx Spectrophotometry

Título: Um Autoencoder Probabilístico para Reconstrução de SED de Galáxias e Estimação de Redshift: Aplicação a Espectrofotometria SPHEREx Simulada
Autores: Richard M. Feder, Liam Parker e Uroš Seljak
Data: 27 de março de 2026

1. O Problema

As modernas pesquisas de galáxias, como a missão SPHEREx da NASA (que opera desde maio de 2025), estão gerando volumes sem precedentes de fotometria multibanda e espectroscopia de baixa resolução. O desafio central é estimar redshifts fotométricos ("photo-z") precisos e bem calibrados para centenas de milhões de galáxias.
Os métodos tradicionais de ajuste de templates (Template Fitting - TF) são computacionalmente eficientes, mas possuem limitações:

• Dependem de um conjunto discreto de templates, o que pode não capturar a variabilidade completa das SEDs (Distribuições de Energia Espectral) das galáxias.
• Utilizam abordagens de profile likelihood que podem produzir estimativas de redshift enviesadas ou excessivamente confiantes (subestimando incertezas), especialmente em dados com baixo sinal-ruído (SNR) ou quando parâmetros de nuisance (como poeira) estão correlacionados com o redshift.
• Métodos puramente baseados em dados (como redes neurais ou árvores de decisão) muitas vezes carecem de um framework probabilístico robusto e de priors explícitos.

2. Metodologia

Os autores propõem o PAESpec, um framework baseado em um Autoencoder Probabilístico (PAE) para modelagem de SEDs e inferência bayesiana conjunta de redshift e parâmetros intrínsecos.

• Modelo de SED Latente:

  • Um autoencoder (com CNNs unidimensionais) é treinado para comprimir espectros de galáxias no referencial de repouso (rest-frame) em um espaço latente de baixa dimensão ($\zeta$). Diferente de VAEs (Variational Autoencoders), o PAE não impõe uma priora gaussiana durante o treinamento inicial, permitindo que a rede aprenda a representação que melhor explica os dados.
  • Um Normalizing Flow (NF) é treinado em um segundo estágio para mapear a distribuição complexa e não gaussiana dos vetores latentes $\zeta$ para uma distribuição base simples (Gaussian padrão $u$). Isso permite amostragem eficiente e definição clara de priors.

• Modelagem Direta (Forward Modeling):

  • O modelo reconstrói a SED observada aplicando redshift ($z$) e convolução com filtros ao espectro no referencial de repouso gerado pelo decodificador.
  • Um fator de escala global é marginalizado analiticamente para lidar com normalizações de fluxo.

• Inferência Bayesiana:

  • A inferência é realizada amostrando a distribuição posterior conjunta $p(u, z | f)$, onde $f$ são os fluxos observados.
  • Utiliza-se o Microcanonical Langevin Monte Carlo (MCLMC) para amostragem eficiente no espaço de parâmetros reduzido, aproveitando GPUs para paralelização massiva.
  • O framework permite a inserção explícita de priors tanto no espaço latente ($p(u)$) quanto na distribuição de redshift ($p(z)$).

• Abordagem Alternativa (SBI):

  • Para comparação de velocidade, os autores implementaram uma abordagem de Inferência Baseada em Simulação (SBI) usando um Encoder Transformer e um Normalizing Flow Condicional. Este método aprende diretamente a posterior $p(z|x)$ a partir de dados simulados ruidosos, oferecendo uma inferência "amortizada" (sem necessidade de amostragem iterativa por fonte).

3. Contribuições Principais

1. Framework PAE para Photo-z: Introdução de um modelo contínuo de SED que substitui o conjunto discreto de templates, permitindo uma representação mais flexível e fisicamente motivada.
2. Diagnóstico de Outliers: Demonstração de que a comparação entre as incertezas do PAE e do TF ($\sigma_{PAE}/\sigma_{TF}$) identifica eficazmente fontes onde o TF falha (gerando estimativas confiantes, mas incorretas devido a superfícies de verossimilhança rasas). O PAE, ao contrário, reflete a falta de poder de restrição nos dados com distribuições mais amplas.
3. Análise de Priors: Estudo detalhado de como priors no espaço latente (via NF) e priors de distribuição de redshift afetam a calibração e a taxa de outliers, mostrando que priors informativos são cruciais para fontes de baixo SNR.
4. Implementação Escalável (PAESpec): Código público otimizado para GPU, capaz de processar grandes volumes de dados de surveys modernos.
5. Comparação com SBI: Apresentação de uma alternativa SBI que atinge desempenho comparável ao PAE com um aumento de velocidade de ~200x na taxa de inferência.

4. Resultados

Os testes foram realizados em dados simulados do SPHEREx (102 bandas) baseados no catálogo COSMOS-2020.

• Reconstrução de SED: O PAE alcança erros de reconstrução fracionários de ~1-3%, com alta fidelidade em todo o espectro, exceto em regiões de linhas de emissão fortes e complexos PAH.
• Desempenho de Redshift (vs. Template Fitting):
  • Para amostras de alta precisão ($\sigma_z/(1+z) < 0.01$), o PAE recupera um número ligeiramente menor de fontes, mas com menor taxa de outliers (2.4% vs 3.4% no TF) e viés comparável.
  • Para amostras mais amplas e de menor SNR, o PAE recupera ~25-40% mais fontes que o TF, mantendo um viés baixo e uma taxa de outliers significativamente menor (1.4-2.4% vs 3.2-6.9% no TF).
  • O PAE produz posteriors melhor calibradas (distribuição PIT mais uniforme), especialmente quando priors informativos são utilizados.
• Diagnóstico de Falhas: A seleção de fontes onde $\sigma_{PAE} > 2 \times \sigma_{TF}$ identifica quase exclusivamente outliers do TF. Nessas regiões, o perfil de verossimilhança do TF é artificialmente estreito e enviesado, enquanto o PAE revela a verdadeira incerteza dos dados.
• Desempenho SBI: O método SBI (Transformer + Flow) alcança métricas de erro (NMAD) e calibração muito próximas às do PAE, mas com uma velocidade de inferência 200 vezes superior, tornando-o ideal para processamento inicial de grandes volumes de dados.
• Convergência: O uso do prior do Normalizing Flow melhora drasticamente a convergência das cadeias de Monte Carlo (reduzindo o estatístico de Gelman-Rubin $\hat{R}$ e o comprimento de autocorrelação), garantindo amostragem robusta.

5. Significância

Este trabalho oferece uma solução robusta e probabilisticamente fundamentada para o problema crítico de estimativa de redshift em surveys de próxima geração como o SPHEREx, Euclid e Rubin.

• Calibração: Ao fornecer posteriors bem calibradas e identificar sistematicamente falhas de métodos tradicionais (TF), o PAE permite a construção de catálogos de galáxias mais limpos e confiáveis para estudos de estrutura em grande escala e cosmologia.
• Flexibilidade: A capacidade de incorporar priors explícitos e modelar SEDs contínuas supera as limitações de grids discretos.
• Escalabilidade: A demonstração de que métodos baseados em inferência bayesiana profunda podem ser escalados para surveys de centenas de milhões de galáxias (via MCLMC em GPU e SBI amortizado) abre caminho para análises mais sofisticadas em cosmologia observacional.
• Ferramenta Pública: A disponibilização do código PAESpec estabelece uma base para a adoção desses métodos na comunidade científica.