Euclid: Improving redshift distribution reconstruction using a deep-to-wide transfer function

技术摘要：Euclid 任务：利用深度至宽视场转移函数改进红移分布重建

问题陈述
Euclid 任务旨在通过宇宙剪切测量来约束暗能量的性质及宇宙的膨胀历史。实现所需的科学精度需要对成图分箱（tomographic bins）中星系的真实红移分布 $n(z)$ 进行极其精确的重建。每分箱的平均红移系统误差 $\sigma_{\langle z \rangle}$ 必须满足 $\sigma_{\langle z \rangle} < 0.002(1+z)$。

当前的校准方法依赖于具有光谱红移的参考样本来校正测光红移。然而，系统不确定性的一个重要来源是深场参考视场（Euclid 辅助视场，EAFs）与浅宽视场巡天（Euclid 宽视场巡天，EWS）之间测光性质的不匹配。EWS 的测光深度比 EAFs 浅约两个星等，导致信噪比（S/N）不同，并因测光不确定性而在颜色空间中产生不同的弥散。因此，在深场和宽场配置下观测到的相同源，会占据用于校准的自组织映射（SOM）中的不同区域，从而导致有偏的 $n(z)$ 重建。虽然基于图像模拟的方法（如暗能量巡天使用的 Balrog）可以解决这一问题，但它们计算成本高昂，且需要对复杂的处理流程进行大量修改。

方法论
作者提出了一种目录级**多波段转移（MPT）**方法，用于降低深场样本对象的测光数据，使其在统计上模拟宽视场巡天的观测结果。

1. 转移函数构建：

   • 与添加独立高斯噪声的简单单波段转移（SPT）不同，MPT 保留了通量、通量误差以及不同波段之间的相关性。
   • 对于具有通量 $d_{X,i}$ 和误差 $\sigma_{X,i}$ 的深场样本对象，该方法基于通量空间，利用 k-d 树在宽场样本目录中识别最近邻。
   • 它计算宽场样本对象与深场样本对象相同的似然度 $L$，同时考虑两次测量的组合方差。
   • 根据这些似然度抽取一个宽场样本对象，并将其通量误差（$\tau_{X,i}$）应用于深场对象。新的“类宽场”通量从正态分布 $N(d_{X,i}, \tau_{X,i}^2)$ 中抽取。
   • 该过程确保退化样本的多维概率分布与宽场样本相匹配，包括误差相关性。

2. 选择函数：

   • 对转换后的样本应用经验选择函数，以考虑在宽场巡天中无法探测到微弱深场源的事实。该函数源自宽视场的通量分布。

3. 校准流程集成：

   • 该方法被集成到基于 SOM 的校准框架中（Masters 等人，2015）。
   • 作者测试了多种场景（A–G）以确定最佳实施方案：
     • 场景 A： 原始 Masters 等人方法（直接使用深场样本）。
     • 场景 C： 使用 MPT 将深场校准子集转换 50 次，生成"MPT-Mock"样本，随后将其投影到基于深场训练的 SOM 上。
     • 场景 F： 整个流程（SOM 训练、分箱定义和投影）均使用 MPT-Mock 样本。
     • 场景 G： 基于 MPT-Mock 样本，根据个体测光红移将对象分配到成图分箱中（遵循 Roster 等人，2025）。

主要贡献

• MPT 的开发： 一种计算高效的目录级算法，在保留多波段通量 - 误差相关性的同时，将深场测光数据降级至类宽场条件。
• 针对 Balrog 的验证： 该方法针对 DES Y3 Balrog 目录（基于图像的注入）进行了测试。作者证明，尽管 MPT 的处理速度显著更快（在约 5 分钟内处理 100 万个源在 8 个波段的数据），但它能以与 Balrog 相当或更优的 Wasserstein 距离恢复宽场样本的统计特性（通量和误差分布）。
• 校准步骤的系统评估： 通过隔离校准流程中的特定步骤（SOM 训练、分箱定义和参考投影），论文指出，确保参考对象（光谱样本）在颜色空间中的分布方式与宽场巡天对象一致，是影响准确性的最关键因素。

结果
该方法使用 Euclid 旗舰模拟星系（提供真实红移）进行了测试。

• 性能指标： 测量了十个成图分箱中的平均红移偏差（$\Delta z / (1+z)$）。
• 场景比较：
  • 场景 A（原始）： 在大多数分箱中未能满足 Euclid 要求，偏差高达 $0.124/(1+z)$。
  • 场景 C（参考投影上的 MPT）： 显示出显著改进，在许多分箱中满足要求的概率不可忽略。
  • 场景 G（MPT + 个体测光红移分箱）： 实现了最佳性能，在所有分箱中满足 $\sigma_{\langle z \rangle} < 0.002(1+z)$ 要求的概率最高（根据分箱不同，范围从 31% 到 77%）。
• 分布形态： 除了平均值之外，该方法还成功重现了 $n(z)$ 分布的完整形态。对于 $1.0 < z \le 1.25$ 的分箱，重建的 $n(z)$ 方差与真实方差在 1% 以内匹配（场景 C 和 F），而未校正的方法（场景 B）在方差上显示出 15% 的误差。
• SOM 覆盖度： 使用 MPT 生成参考样本的多个实现，将未填充（无法校准）的 SOM 单元比例从仅使用深场样本时的 46.5% 降低至 6.7%（场景 C）。

意义与主张
论文声称，MPT 方法为 Euclid 数据发布 1（DR1）及后续工作提供了一种稳健且可行的解决方案。

• 可行性： 该方法表明，只要正确地将参考样本的测光性质降级以匹配巡天深度，即可在不依赖计算上不可行的图像模拟的情况下实现准确的 $n(z)$ 重建。
• 关键洞察： 校准成功的主要驱动因素并不一定是在类宽场数据上重新训练 SOM（场景 E 中表现不佳），而是确保参考样本在 SOM 上的投影能够反映宽场巡天的颜色分布。
• 更广泛的适用性： 该方法保留了红移分布的完整统计结构（包括高阶矩），使其适用于弱引力透镜之外的应用，例如角聚类。
• 适度的展望： 作者指出，虽然该方法满足 DR1 的要求，但后续数据发布需要进一步的改进（例如更好的参考样本）。这项工作为未来的校准流程奠定了坚实的基础。