High-Redshift Gravitational Lens Discoveries in JWST NIRCam Using AnomalyMatch

Resumo Técnico: Descobertas de Lentes Gravitacionais de Alto Desvio para o Vermelho em Dados NIRCam do JWST usando AnomalyMatch

Declaração do Problema
Lentes gravitacionais fortes são fenômenos astrofísicos raros que fornecem restrições críticas sobre distribuições de massa, evolução de galáxias e parâmetros cosmológicos. No entanto, sua raridade intrínseca e características visuais sutis dificultam sua identificação dentro dos vastos conjuntos de dados produzidos por observatórios modernos. Métodos tradicionais de detecção, incluindo inspeção visual e algoritmos morfológicos, lutam para escalar com o volume de dados de instalações como o Telescópio Espacial James Webb (JWST). Além disso, abordagens de aprendizado de máquina supervisionado geralmente exigem grandes conjuntos de treinamento rotulados, que são difíceis de montar para objetos intrinsecamente raros como lentes gravitacionais.

Metodologia
Os autores empregam um framework de aprendizado ativo semi-supervisionado chamado AnomalyMatch para buscar lentes gravitacionais em dados NIRCam do JWST. O fluxo de trabalho procede da seguinte forma:

• Seleção de Dados: O estudo utiliza os catálogos fotométricos ASTRODEEP (abrangendo os campos Abell 2744, CEERS, JADES, NGDEEP e PRIMER) e a pesquisa COSMOS-Web. Após cruzamento com dados de calibração Nível 3 na plataforma ESA Datalabs e aplicação de um limite de tamanho para remover objetos de alto desvio para o vermelho não resolvidos, o pool final de busca consiste em 614.015 fontes em aproximadamente 0,74 graus quadrados.
• Processamento de Imagem: Cortes RGB de três canais (224 × 224 pixels) são gerados a partir de quatro filtros NIRCam (F115W, F150W, F277W, F444W). Para aprimorar a visibilidade de características de lentes de baixa brilho superficial próximas a núcleos de galáxias brilhantes, os autores aplicam uma função de transferência de meios-tons (MTF) para normalizar a faixa dinâmica. As quatro bandas são combinadas em imagens RGB usando pesos determinados empiricamente para equilibrar o centro da galáxia, características de lente e o fundo do céu.
• Estratégia de Treinamento: O AnomalyMatch utiliza a abordagem FixMatch, combinando perda de entropia cruzada supervisionada em dados rotulados com regularização de consistência não supervisionada em dados não rotulados aumentados pseudo-rotulados. O conjunto de treinamento inicial é extremamente pequeno, consistindo apenas de 11 lentes "espetaculares" da Pesquisa de Lentes COSMOS-Web (COWLS) e 400 fontes nominais (não-lentes).
• Loop de Aprendizado Ativo: O modelo passa por três ciclos de treinamento. Em cada ciclo, as 1.000 anomalias de maior classificação são inspecionadas visualmente por especialistas. Lentes confirmadas são adicionadas ao conjunto de treinamento rotulado para refinar o modelo. Este processo com intervenção humana permite que o sistema melhore iterativamente o desempenho com rótulos iniciais mínimos.
• Classificação e Graduação: Os candidatos identificados são graduados por quatro especialistas via votação majoritária na plataforma Zooniverse em três categorias:
  • Grau A: Alta confiança (arcos claros com cores distintas e imagens contra).
  • Grau B: Provável (geometria plausível, mas sem características definitivas como separação de cores).
  • Grau C: Possível (características fracas/ambíguas, potencialmente contaminadas por fusões ou artefatos).

Principais Resultados

• Contagem de Descobertas: A busca identificou 58 sistemas únicos de lentes gravitacionais.
• Novidade: Dos 58 sistemas, 37 (63,8%) não estavam catalogados anteriormente na literatura. Isso inclui 9 sistemas Grau A, 10 Grau B e 18 sistemas Grau C.
• Alcance de Desvio para o Vermelho: As lentes identificadas abrangem uma ampla faixa de desvio para o vermelho. O candidato recém-descoberto com o maior desvio para o vermelho está em $z_{phot} \approx 2,1$ (Grau C). O maior desvio para o vermelho espectroscópico identificado é $z_{spec} = 1,39$ (Grau B). A amostra completa estende-se de $z \approx 0,09$ a $z_{phot} = 2,21$.
• Eficiência: Toda a busca e processo de treinamento para essas pesquisas foi concluída na ordem de horas usando uma única GPU, demonstrando a escalabilidade da abordagem.

Significado e Alegações
O artigo afirma demonstrar o potencial do AnomalyMatch como uma ferramenta eficiente em rótulos para buscas em grande escala de objetos raros nos arquivos do JWST. Ao aproveitar o aprendizado semi-supervisionado e o aprendizado ativo, os autores mostram que a detecção de lentes de alto desempenho é alcançável com muito poucos exemplos iniciais (11 lentes), superando o gargalo de montar grandes conjuntos de dados rotulados.

O trabalho destaca a sinergia entre ESA Datalabs e aprendizado de máquina avançado, provando que terabytes de dados de arquivo podem ser escaneados eficientemente para revelar sistemas perdidos por pesquisas anteriores. Os autores afirmam que essa abordagem estende o alcance de desvio para o vermelho da descoberta de lentes além do possível com observatórios anteriores e buscas visuais anteriores do JWST (como a COWLS), empurrando as capacidades de detecção em direção ao "Meio Cósmico" e ao Universo primordial. O catálogo graduado resultante serve como recurso para treinamento futuro de aprendizado de máquina e estudo científico, embora os autores alertem que candidatos de grau inferior (B e C) podem conter contaminação e devem ser tratados com o ceticismo apropriado.