Identifying Gems from Roman RAPIDly

Resumo Técnico: Identificando Gemas de Roman RAPIDly (RuBR)

Definição do Problema
O Telescópio Espacial Nancy Grace Roman (Roman), com lançamento previsto para setembro de 2026, conduzirá levantamentos de campo amplo no infravermelho capazes de detectar milhões de transientes astronômicos. Um gargalo crítico para tais levantamentos é o problema de classificação "real-falso" (real-bogus): os pipelines de diferenciação de imagens (como o RAPID) geram fluxos vastos de alertas candidatos, sendo a maioria deles detecções espúrias (falsas/bogus) causadas por artefatos de subtração, ruído do detector ou raios cósmicos. Embora classificadores de aprendizado de máquina (ML) tenham filtrado com sucesso esses falsos positivos em levantamentos existentes, o Roman apresenta um desafio único: ainda não existem dados observacionais reais para treinar esses modelos. Consequentemente, há uma necessidade de pipelines de ML robustos treinados em dados simulados que possam distinguir efetivamente transientes genuínos de detecções falsas e se adaptar aos dados do mundo real assim que o telescópio estiver operacional, sem dependência imediata de rótulos de verdade fundamental (ground-truth).

Metodologia
Os autores propõem o RuBR (Roman RAPIDly), um framework de aprendizado de máquina projetado para classificar candidatos a transientes usando uma combinação de dados de imagem e características tabulares. A metodologia abrange três componentes primários:

1. Construção do Conjunto de Dados:

   • O estudo utiliza as simulações OpenUniverse2024 (OU24), que fornecem ~1,39 milhão de eventos transientes simulados em 70 deg², juntamente com transientes injetados localmente sobre essas imagens.
   • O pipeline gera imagens de diferença (Ciência menos Referência) usando algoritmos como ZOGY ou SFFT.
   • A detecção de fontes é realizada usando DAOFind (escolhido em vez do SExtractor por apresentar maior completude, apesar de uma taxa de falsos positivos mais alta).
   • Os exemplos de treinamento consistem em recortes de pixels de $64 \times 64$ de quatro tipos de imagem (Ciência, Referência, Diferença e mapas de significância SCORR) centrados nas detecções, aumentados com cinco características escalares derivadas do DAOFind (diferença de magnitude, pico, nitidez e dois valores de arredondamento).
   • O conjunto de dados é altamente desbalanceado, com uma razão de falsos para reais de aproximadamente 400:1 para detecções do DAOFind.

2. Arquitetura do Modelo:

   • Codificador de Imagem: Uma rede neural convolucional (CNN) projetada para ser invariante à rotação. Para garantir que as previsões permaneçam consistentes independentemente da orientação da fonte, o modelo calcula a média das incorporações (embeddings) sobre rotações discretas (múltiplos de 90°), evitando que o modelo se prenda a artefatos direcionais espúrios.
   • Codificador de Características: Um Perceptron Multicamadas (MLP) processa as cinco características escalares do DAOFind.
   • Classificador: As incorporações de imagem e de características são concatenadas e passadas por uma camada totalmente conectada com uma ativação sigmoide para gerar um escore de probabilidade (o "escore rb-score") indicando a probabilidade de uma detecção ser real.
   • Treinamento Adversário de Domínio (RuBRDA): Para abordar o deslocamento de domínio entre dados simulados e reais, um preditor de domínio é adicionado. Usando uma Camada de Reversão de Gradiente (GRL), o modelo é treinado para distinguir entre domínios de dados simulados e reais, enquanto simultaneamente força o extrator de características a aprender representações invariantes ao domínio. Isso permite que o modelo se adapte às distribuições de dados reais sem exigir rótulos de verdade fundamental para o domínio alvo.

3. Estratégia de Treinamento:

   • Os modelos são treinados usando entropia cruzada binária ponderada para lidar com o desbalanceamento de classes.
   • A normalização por filtro é aplicada para considerar as distintas distribuições de intensidade entre os diferentes filtros do Roman.
   • Três variantes específicas de modelos são apresentadas:
     • RuBRcomb: Treinado e testado em um conjunto combinado de OU24 e injeções locais.
     • RuBRloc: Treinado em injeções locais e testado no OU24.
     • RuBRDA: Treinado em injeções locais, com adaptação de domínio aplicada usando uma fração dos dados do OU24 como o domínio alvo.

Principais Resultados

• Desempenho: No conjunto de teste combinado, o RuBRcomb alcançou uma Precisão de 90,10% e um Recall de 71,68%, resultando em um F1-score de 0,7984. Este superou diversas arquiteturas de base, incluindo DenseNet121, VGG11, ResNet-18, Deep-HITS e Braai.
• Análise de Limiar: O modelo gera um escore de confiança contínuo. Ao ajustar o limiar de decisão, os usuários podem trocar precisão por recall. Por exemplo, um limiar de 0,9 produz 98,34% de precisão, mas reduz o recall para 58,47%.
• Estudos de Ablação:
  • Invariância Rotacional: Remover este recurso causou uma queda significativa no F1-score (de 0,7984 para 0,6218), confirmando sua necessidade para a robustez.
  • Codificador de Características: Remover as características escalares reduziu o F1-score para 0,7794, demonstrando que as características tabulares fornecem informações complementares aos dados de imagem.
  • Normalização: A normalização por filtro provou ser superior à normalização global padrão.
• Adaptação de Domínio: Quando testado no conjunto de dados OU24 (simulando condições de dados reais) sem rótulos de verdade fundamental, o modelo não adaptado (RuBRloc) alcançou apenas 36% de precisão. Em contraste, o modelo com adaptação de domínio (RuBRDA) melhorou a precisão para 49% e o recall para 72%, demonstrando a eficácia da abordagem de treinamento adversário para preencher a lacuna entre simulação e realidade.

Significância e Alegações
O artigo alega que o RuBR fornece um caminho viável para que a missão Roman comece a descobrir transientes confiáveis imediatamente após o lançamento, apesar da ausência de dados de treinamento reais. A principal significância reside na estratégia adversária de domínio, que permite que o pipeline se adapte aos artefatos específicos das observações reais do Roman sem exigir rótulos imediatos de verdade fundamental. Isso é crucial para as fases iniciais da missão, quando os rótulos verificados por humanos são escassos.

Os autores enfatizam que, embora os resultados atuais sejam baseados em simulações, a metodologia foi desenhada para ser robusta contra a alta densidade de fontes e o agrupamento (crowding) esperado no Levantamento de Domínio Temporal do Bulbo Galáctico (GBTDS). Eles afirmam que a inclusão de escores de confiança no fluxo de alertas capacitará os astrônomos a tomar decisões informadas sobre observações de acompanhamento (follow-up). O trabalho conclui que, embora o recall atual seja limitado por artefatos de subtração próximos aos núcleos galácticos, o framework proposto oferece uma base promissora para a filtragem automatizada de transientes na era Roman, com trabalhos futuros focados na incorporação de estrelas variáveis e no refinamento do conjunto de treinamento para excluir regiões contaminadas.