Se han cuantificado y catalogado 27 millones de morfologías de galaxias mediante el aprendizaje automático

Imagen de NGC 1365 recopilada por Dark Energy Survey. NGC 1365, también conocida como la Gran Galaxia Espiral Barrada, es un ejemplo de galaxia espiral y se encuentra aproximadamente a 56 millones de años luz de distancia. Crédito: DECam, cooperación DES

La investigación en el Departamento de Física y Astronomía de Penn ha llevado al catálogo de clasificación de morfología de galaxias más grande hasta la fecha. Dirigido por los ex doctores Jesús Vega-Ferrero y Helena Domínguez Sánchez, quienes trabajaron con la profesora Mariangela Bernardi, este catálogo de 27 millones de morfologías de galaxias proporciona información crucial sobre la evolución del universo. El estudio fue publicado en Avisos mensuales de la Royal Astronomical Society.

Los científicos utilizaron datos del Dark Energy Survey (DES), un programa de investigación internacional destinado a obtener imágenes de un octavo del cielo, para comprender mejor el papel de la energía oscura en la expansión acelerada del universo.

Un subproducto de este estudio es que los datos de DES contienen muchas más imágenes de galaxias distantes que otros estudios hasta la fecha. “Las imágenes DES nos muestran cómo eran las galaxias hace más de 6 mil millones de años”, dice Bernardi.

Y dado que DES contiene millones de imágenes de alta calidad de objetos astronómicos, es un excelente conjunto de datos para estudiar la morfología de las galaxias. “La morfología de las galaxias es uno de los aspectos clave de la evolución de las galaxias. La forma y estructura de las galaxias contienen una gran cantidad de información sobre cómo se forman, y conocer su morfología nos da pistas sobre las posibles vías de formación de galaxias ”, dice Domínguez Sánchez.

Anteriormente, los científicos publicaron el catálogo morfológico de más de 600.000 galaxias de Sloan Digital Sky Survey (SDSS). Con este fin, desarrollaron una red neuronal convolucional, una especie de algoritmo de aprendizaje automático que podía clasificar automáticamente si las galaxias pertenecen a uno de dos grupos principales: galaxias espirales, que tienen un disco giratorio donde nacen nuevas estrellas, y galaxias elípticas. .que son más grandes y están formadas por estrellas más viejas que se mueven de manera más aleatoria que sus contrapartes espirales.

Sin embargo, el catálogo compilado utilizando el conjunto de datos SDSS consistió principalmente en galaxias cercanas brillantes, dice Vega-Ferrero. En su última investigación, los científicos querían refinar su modelo de red neuronal para clasificar galaxias más débiles y distantes. “Queríamos traspasar los límites de la clasificación morfológica e intentar ir más allá de ella hacia objetos más débiles o más distantes”, dice Vega-Ferrero.

Imágenes de una galaxia espiral simulada (arriba) y elíptica con diferente calidad de imagen y niveles de corrimiento al rojo, que ilustran cómo las galaxias más débiles y distantes podrían aparecer en el conjunto de datos DES. Fuente: Jesus Vega-Ferrero y Helena Dominguez-Sanchez

Para hacer esto, los investigadores primero tuvieron que entrenar su modelo de red neuronal para poder clasificar las imágenes más pixeladas del conjunto de datos DES. Primero, crearon un modelo de entrenamiento con clasificaciones morfológicas previamente conocidas, que consistía en un conjunto de 20.000 galaxias que se superponían a DES y SDSS. Luego crearon versiones simuladas de las nuevas galaxias, imitando cómo se verían las imágenes si estuvieran ubicadas más lejos, utilizando un código desarrollado por el científico Mike Jarvis.

Una vez que el modelo fue entrenado y validado tanto en galaxias simuladas como reales, se aplicó al conjunto de datos DES, y el catálogo resultante de 27 millones de galaxias contiene información sobre la probabilidad de que una sola galaxia sea elíptica o espiral. Los científicos también encontraron que su red neuronal tenía un 97% de precisión en la clasificación de la morfología de las galaxias, incluso para las galaxias que eran demasiado débiles para ser clasificadas a simple vista.

“Hemos ampliado los límites de tres órdenes de magnitud a objetos que son 1.000 veces más débiles que el original”, dice Vega-Ferrero. “Por lo tanto, pudimos incluir muchas más galaxias en el catálogo”.

“Catálogos como este son importantes para estudiar la formación de galaxias”, dice Bernardi sobre la importancia de esta última publicación. “Este catálogo también será útil para ver si la morfología y las poblaciones estelares cuentan historias similares de formación de galaxias”.

Sobre este último punto, Domínguez Sánchez está combinando actualmente sus evaluaciones morfológicas con mediciones de la composición química, edad, tasa de formación de estrellas, masa y distancia de las mismas galaxias. Tener en cuenta esta información permitirá a los científicos estudiar mejor la relación entre la morfología de las galaxias y la formación de estrellas, que será crucial para una comprensión más profunda de la evolución de las galaxias.

Bernardi dice que hay muchas preguntas abiertas sobre la evolución de las galaxias, que tanto este nuevo catálogo como los métodos desarrollados para crearlo pueden ayudar. Próximo Encuesta LSST / Rubinpor ejemplo, utilizará métodos fotométricos similares a DES, pero podrá obtener imágenes de objetos aún más distantes, dando la oportunidad de obtener una comprensión aún más profunda de la evolución del universo.

Proporcionado por la Universidad de Pensilvania

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *