The Chandra-Gaia Catalog of Counterparts: Resolving ambiguous Gaia matches to X-ray sources in the Chandra Source Catalog using Machine Learning

Resumo Técnico: O Catálogo de Contrapartidas Chandra-Gaia

Definição do Problema
A identificação correta de fontes astronômicas entre múltiplos catálogos é fundamental para a completude estatística e classificação precisa. Os métodos tradicionais de correspondência (cross-matching) baseiam-se predominantemente na proximidade posicional (vizinho mais próximo dentro de um raio fixo). Embora eficazes para levantamentos com astrometria precisa, essas abordagens puramente espaciais têm dificuldade em regiões do céu densamente povoadas, quando as incertezas posicionais são grandes ou quando há um desequilíbrio na precisão astrométrica entre os catálogos. Além disso, métodos puramente espaciais frequentemente falham em distinguir contrapartidas reais de coincidências casuais quando existem múltiplos candidatos plausíveis dentro do raio de busca. O Catálogo de Fontes Chandra (CSC v2.1) e o Gaia Data Release 3 (DR3) apresentam tal desafio: embora o Gaia forneça posições de alta precisão para cerca de 1,8 bilhão de fontes, a correspondência com as detecções de raios X do Chandra exige resolver ambiguidades onde a proximidade espacial isolada é insuficiente para determinar a associação física real.

Metodologia
Os autores propõem uma estrutura que vai além da correspondência puramente espacial, integrando propriedades das fontes (magnitudes, cores, distâncias, variabilidade) por meio de aprendizado de máquina (ML). O pipeline consiste em quatro estágios:

1. Pré-processamento e Geração Inicial de Candidatos:
   Os autores realizam primeiro uma correspondência posicional entre o CSC v2.1 e o Gaia DR3 usando o NWAY, uma estrutura Bayesiana que considera erros posicionais e densidades de fontes. Isso gera um grupo inicial de candidatos dentro de um raio de 15".

2. Construção de Dados de Treinamento (Conjuntos Positivos e Negativos):
   Para treinar o modelo de ML sem depender de uma verdade fundamental rotulada (ground truth), os autores constroem conjuntos de treinamento baseados em heurísticas estatísticas:

• Conjunto Positivo: Selecionado de correspondências NWAY com alta confiança ($p_{any} \ge 0,5$, $p_i \ge 0,9$) e separações pequenas ($\le 1,3''$). O limiar de 1,3" foi derivado de testes de Kolmogorov-Smirnov que mostraram que as distribuições de magnitude de contrapartidas prováveis e improváveis tornam-se indistinguíveis além dessa separação.
• Conjunto Negativo: Composto por três tipos de não-correspondências: "negativos claros" (candidatos com separação $\ge 5''$), "negativos intermediários" (outros candidatos não selecionados $\ge 5''$) e "negativos aleatórios" (fontes Gaia amostradas de regiões distantes de qualquer fonte Chandra).
• Desequilíbrio de Classes: O conjunto de dados é fortemente desequilibrado (aproximadamente 30 mil positivos vs. 310 mil negativos). Os autores abordam isso através do upsampling de negativos aleatórios e do ajuste dos pesos das amostras durante o treinamento.

3. Modelo de Aprendizado de Máquina:
   Um classificador LightGBM (árvore de decisão de gradiente impulsionado) é treinado para realizar classificação binária ($y=1$ para correspondência real, $y=0$ para não-correspondência). O modelo utiliza 32 características derivadas de ambos os catálogos, incluindo fotometria (magnitudes e fluxos de Gaia $g, BP, RP$), fluxos de raios X e razões de dureza (CSC), índices de variabilidade, paralaxe, movimento próprio e rótulos de classificação externos. Crucialmente, o modelo é treinado sem utilizar a separação posicional como uma característica de entrada, forçando-o a aprender associações baseadas exclusivamente em propriedades físicas.

4. Limiarização e Seleção Final:
   O catálogo final é gerado aplicando-se dois critérios independentes aos escores de ML ($p_{ML}$):

• Limiar de Escore de ML: Um corte de $p_{ML} \ge 0,466$ é estabelecido. Este valor corresponde ao percentil da função de distribuição cumulativa (CDF) empírica que coincide com a probabilidade estimada de coincidência casual ($P_{chance} \approx 0,0176$) para a densidade global do Gaia.
• Limiar de Separação: Um limite de separação máxima ($r_{max}$) é aplicado com base no ângulo fora do eixo ($\theta$) da observação do Chandra. Este limite leva em conta a Função de Espalhamento de Ponto (PSF) do Chandra e as incertezas astrométricas, variando de 1,5" no ponto de mira (aim point) a 10" em grandes ângulos fora do eixo.
  Apenas os candidatos que satisfazem tanto $p_{ML} \ge 0,466$ quanto separação $\le r_{max}(\theta)$ são retidos como correspondências de ML confiáveis.

Principais Resultados

• Lançamento do Catálogo: Os autores lançam um catálogo de aproximadamente 113.000 contrapartidas Chandra-Gaia de alta confiança.
• Resolução de Ambiguidades: A estrutura identifica aproximadamente 7.000 fontes com múltiplas correspondências de ML plausíveis (contrapartidas alternativas) e sinaliza aproximadamente 20.000 fontes onde o NWAY sugere uma correspondência baseada em proximidade, mas o modelo de ML as rejeita como prováveis coincidências casuais.
• Validação (COUP): O pipeline foi validado contra o Chandra Orion Ultradeep Project (COUP). O método de ML reproduziu 95% das correspondências do NWAY sem utilizar qualquer informação posicional, demonstrando que emissores de raios X são reconhecíveis por suas características ópticas/infravermelhas.
• Métricas de Desempenho: No conjunto de teste, o pipeline combinado (escore de ML + limiar de separação) alcançou uma precisão de 0,98, um recall de 0,79 e um F1-score de 0,87. O índice Jaccard entre as correspondências de ML e NWAY foi de 0,78.
• Análise de População: O catálogo resultante mostra diferenças morfológicas distintas no diagrama de Hertzsprung-Russell (HR) em comparação com as correspondências apenas de NWAY. As correspondências selecionadas por ML resolvem claramente os aglomerados da sequência principal e de anãs brancas, enquanto as correspondências apenas de NWAY parecem diluídas, sugerindo que o método de ML filtra efetivamente associações espúrias.

Significância e Alegações
O artigo afirma que este trabalho fornece uma abordagem sistemática e flexível para a correspondência que aproveita plenamente os dados multidimensionais dos catálogos. A principal significância reside em:

1. Resolução de Ambiguidades: O método distingue com sucesso contrapartidas reais de coincidências casuais em campos densos onde a correspondência espacial falha, identificando ~20.000 fontes onde métodos baseados em proximidade provavelmente geram falsos positivos.
2. Generalização: Os autores apresentam uma estrutura geral (processo de cinco etapas) aplicável a qualquer cenário de correspondência entre catálogos arbitrários, não se limitando ao Chandra e Gaia.
3. Complementaridade: Os autores afirmam explicitamente que não pretendem substituir métodos espaciais como o NWAY, mas sim complementá-los. Ao incorporar propriedades físicas, o método recupera correspondências corretas em cenários envolvendo erros sistemáticos de coordenadas, distorções de PSF ou contaminação por intrusos casuais.
4. Astrofísica Estelar: O catálogo resultante apoia estudos de população, permitindo a construção de funções de luminosidade detalhadas e a investigação da evolução da atividade magnética, uma vez que as correspondências são fortemente ponderadas para populações estelares.

Os autores observam limitações, estimando uma taxa de erro sistemático de aproximadamente 7% para as correspondências de ML, particularmente em casos onde os dados do Gaia podem estar incompletos ou onde as fontes são outliers na distribuição de treinamento. Eles sugerem que futuros lançamentos de dados poderão resolver algumas das discrepâncias remanescentes.