Extracting redshifts from 2D slitless spectroscopic images using deep learning for the CSST galaxy survey

Resumo Técnico: Extração de Desvios para o Vermelho a partir de Imagens Espectroscópicas 2D Sem Fenda usando Aprendizado Profundo para o Levantamento de Galáxias do CSST

Declaração do Problema
Levantamentos espectroscópicos de campo amplo sem fenda, como o futuro Telescópio de Levantamento da Estação Espacial Chinesa (CSST), são críticos para a cosmologia de precisão, mas enfrentam obstáculos significativos na análise de dados. Diferentemente da espectroscopia baseada em fenda tradicional, os instrumentos sem fenda dispersam a luz diretamente sobre o detector, convolucionando o espectro com a morfologia espacial 2D da fonte. Essa convolução complica a calibração de comprimento de onda, pois o ponto zero depende do centróide espacial exato e da simetria morfológica da fonte. No caso específico do CSST, o design do plano focal impede a imagem direta simultânea, tornando necessária a correspondência cruzada com catálogos fotométricos separados para estabelecer centróides astrométricos. Esse processo introduz desvios sistemáticos de comprimento de onda devido a incertezas astrométricas. Além disso, os pipelines tradicionais tentam separar espectros sobrepostos e extrair espectros 1D dessas imagens 2D complexas, um processo propenso a erros sistemáticos cumulativos e perda significativa de informação.

Metodologia
Para contornar as etapas propensas a erros de extração 1D e calibração de comprimento de onda, os autores propõem uma estrutura de aprendizado profundo que estima desvios para o vermelho diretamente a partir de imagens espectrais 2D sem fenda brutas.

• Construção do Conjunto de Dados: Os autores construíram um conjunto de dados simulado realista de aproximadamente 689.000 imagens espectrais 2D para as bandas GV e GI do CSST. Morfologias espaciais de alta resolução foram extraídas do Lançamento Público de Dados 3 do Programa Estratégico do Subaru com Hyper Suprime-Cam (HSC-SSP PDR3), enquanto as Distribuições de Energia Espectral (SEDs) foram derivadas do Lançamento de Dados 1 do Instrumento Espectroscópico de Energia Escura (DESI DR1). Estes foram combinados usando o módulo de simulação sls_1d_spec, que incorpora Funções de Espalhamento de Ponto (PSFs) realistas e modelos de ruído. O conjunto de dados foi filtrado para garantir templates de entrada de alta qualidade (por exemplo, SNR > 100 na banda i do HSC) e restringido a fontes com $SNR_{GI} \ge 1$.
• Arquitetura da Rede: O estudo emprega uma Rede Neural Convolucional Bayesiana (BCNN) implementada via dropout de Monte Carlo (MC). A arquitetura consiste em um extrator de características ResNet-34 (modificado para a forma de entrada específica das bandas GV e GI empilhadas) seguido por um estimador de Perceptron Multicamada (MLP).
• Quantificação de Incerteza: A rede é projetada para produzir tanto uma previsão média de desvio para o vermelho quanto uma log-variância. Ao manter o dropout ativo durante a inferência, o modelo realiza múltiplas passagens forward estocásticas para aproximar um ensemble bayesiano. Isso permite a quantificação simultânea da incerteza epistêmica (dependente do modelo) e da incerteza aleatória (ruído dependente dos dados).
• Estratégia de Treinamento: O modelo utiliza uma abordagem de aprendizado por transferência. Uma rede determinística é primeiro pré-treinada para estabelecer um espaço de características robusto. Esse extrator de características é então usado para inicializar a rede bayesiana, que é treinada usando uma função de perda de Log-Verossimilhança Negativa (NLL). Para simular e mitigar erros de calibração de comprimento de onda, o conjunto de treinamento inclui extensa augmentação de dados espaciais (viragem horizontal e traduções aleatórias de até 10% das dimensões da imagem).
• Calibração: As incertezas brutas da BCNN foram encontradas como subconfiantes. Os autores aplicaram escalonamento de temperatura (um parâmetro de otimização global) para calibrar as incertezas previstas, garantindo que a probabilidade de cobertura empírica corresponda aos intervalos de confiança teóricos.

Principais Resultados
A estrutura foi avaliada em um conjunto de teste projetado para espelhar a distribuição de desvios para o vermelho antecipada do levantamento do CSST.

• Precisão: Para fontes com $SNR_{GI} \ge 1$, a BCNN alcançou um desvio absoluto mediano normalizado (NMAD) de $\sigma_{NMAD} = 0.0104$. A incerteza normalizada média foi $\langle E/(1+z_{true}) \rangle = 0.0155$.
• Dependência do SNR: O desempenho melhorou significativamente com maiores razões sinal-ruído. Para $SNR_{GI} \ge 3.0$, o $\sigma_{NMAD}$ atingiu 0.0047; para $\ge 5.0$, foi 0.0037; e para $\ge 10.0$, melhorou para 0.0024.
• Classificações de Alvo: O desempenho variou por tipo de galáxia. Amostras de Galáxias Brilhantes (BGS) renderam a maior precisão ($\sigma_{NMAD} = 0.0051$), seguidas por Galáxias Vermelhas Luminosas (LRG, 0.0177). Galáxias de Linhas de Emissão (ELG) mostraram a menor precisão (0.0244), atribuída ao seu brilho fraco, dependência de linhas de emissão estreitas que são borradas em espectros sem fenda de baixa resolução e tamanhos de amostra menores no conjunto de treinamento.
• Robustez a Erros de Calibração: Quando testado em dados com traduções espaciais simuladas (de até 10% das dimensões da imagem) para imitar falhas de calibração de comprimento de onda, o modelo mostrou apenas degradação modesta. Para $SNR_{GI} \ge 1$, o $\sigma_{NMAD}$ aumentou ligeiramente de 0.0104 para 0.0121, demonstrando a capacidade da rede de corrigir implicitamente incertezas astrométricas sem pipelines de calibração explícitos.

Significado e Alegações
Os autores afirmam que este trabalho fornece um caminho novo e robusto para analisar levantamentos espectroscópicos sem fenda de próxima geração. Ao operar diretamente sobre imagens espectrais 2D, o método contorna completamente as etapas complexas e propensas a erros de extração espectral 1D e calibração de comprimento de onda. O estudo demonstra que o aprendizado profundo pode aproveitar efetivamente tanto a dispersão espectral quanto a informação morfológica espacial para alcançar precisões de desvio para o vermelho ($\sigma_{NMAD} \approx 0.0047$ para $SNR \ge 3$) que atendem aos requisitos para estudos de Oscilações Acústicas Bariônicas (BAO) usando dados do CSST. Além disso, a integração da inferência bayesiana fornece estimativas de incerteza estatisticamente confiáveis, um requisito crítico para a cosmologia de precisão. Os autores concluem que esta estrutura estabelece uma prova de conceito para desbloquear o potencial cosmológico do CSST e missões similares, embora observem que iterações futuras devem abordar limitações como morfologia de galáxias dependente do comprimento de onda e sistemáticos instrumentais complexos (por exemplo, raios cósmicos, defeitos de detector) antes da aplicação a dados observacionais reais.