Simple Science

Ciência de ponta explicada de forma simples

# Física# Astrofísica das Galáxias

Deep Learning Melhora a Detecção de Fusão de Galáxias

Usando deep learning pra melhorar a identificação de galáxias se fundindo pra entender melhor.

― 5 min ler


Detecção de Fusões deDetecção de Fusões deGaláxias com Técnicas deIApesquisa.identificação de fusões de galáxias naOs avanços em IA melhoram a
Índice

As Fusões de Galáxias são uma parte importante de como elas mudam e crescem com o tempo. Quando duas galáxias colidem e se fundem, podem criar novas estruturas e levar à formação de novas estrelas. No entanto, ainda temos muito a aprender sobre como essas fusões acontecem e quais efeitos elas têm nas galáxias envolvidas.

O principal objetivo deste estudo é encontrar uma maneira melhor de identificar fusões de galáxias usando técnicas de Aprendizado Profundo. Os métodos atuais não têm sido muito eficazes em fornecer amostras completas de galáxias em Fusão. Uma maneira confiável de encontrar essas fusões pode ajudar os cientistas a entender sua importância na evolução das galáxias.

Usando Aprendizado Profundo para Identificação de Fusões de Galáxias

Nesta pesquisa, usamos um programa de computador inteligente chamado Zoobot, que foi treinado para reconhecer diferentes características em imagens de galáxias. Ajustamos esse programa para ajudar a identificar melhor as galáxias que estão se fundindo. Para isso, utilizamos imagens de uma grande pesquisa chamada Subaru Hyper Suprime-Cam Strategic Program (HSC-SSP) e dados de outras pesquisas de galáxias.

Ajustando o Zoobot para focar especificamente em fusões, conseguimos criar uma amostra mais clara de galáxias em fusão. Essa nova amostra nos permitirá estudar como as fusões influenciam o crescimento e a mudança das galáxias ao longo do tempo.

Treinando o Modelo

Para treinar o Zoobot, usamos um grande conjunto de imagens de galáxias reais e simuladas. As imagens simuladas vêm de um projeto chamado TNG50, que modela como as galáxias se comportam em um ambiente gerado por computador. Usando essas simulações, conseguimos criar imagens de galáxias em fusão e não em fusão, completas com rótulos indicando seu status.

Começamos treinando o modelo com dados que já foram classificados de maneira confiável. Assim que o modelo está treinado, fazemos ajustes com nossas novas imagens para melhorar sua precisão na identificação de fusões.

Resultados do Treinamento

Após treinar e ajustar o modelo, testamos sua capacidade de identificar fusões usando imagens de simulação. O modelo treinado mostra uma boa precisão, o que significa que ele consegue distinguir corretamente entre galáxias em fusão e não em fusão. O modelo alcança uma pontuação alta em comparação com estudos anteriores que usaram métodos diferentes.

Quando aplicamos o modelo a observações reais da pesquisa HSC-SSP, obtemos uma variedade de probabilidades indicando quão provável é que cada galáxia seja uma fusão. Enquanto algumas galáxias são claramente identificadas como fusões, outras caem em uma área cinza, ou seja, não estão tão bem definidas.

Conexão Entre Fusões e o Ambiente da Galáxia

Uma parte interessante desta pesquisa é observar como o ambiente afeta as fusões de galáxias. Classificamos as galáxias com base em seus arredores, como se estão em aglomerados densos ou em regiões mais tranquilas do espaço.

A partir da nossa análise, descobrimos que as galáxias que estão se fundindo tendem a estar em Ambientes menos lotados. Isso sugere que as fusões podem estar acontecendo com mais frequência onde não há muitas galáxias por perto. Em contraste, galáxias em áreas mais densas tendem a experimentar menos fusões.

No entanto, é importante notar que existem algumas inconsistências. Por exemplo, estudos anteriores mostraram que fusões também podem acontecer em áreas mais densas sob certas circunstâncias.

Entendendo a Relação

À medida que exploramos esses ambientes, descobrimos que a relação entre fusões e seus arredores pode variar com a escala. A distâncias maiores, galáxias em fusão preferem áreas mais tranquilas, enquanto em escalas menores, fusões podem ser encontradas em ambientes mais densos. Essa complexidade destaca a necessidade de estudos cuidadosos para entender completamente como esses fatores interagem.

Direções Futuras

Esta pesquisa abre novas possibilidades para estudar fusões de galáxias. Com um modelo melhor para identificar fusões, podemos coletar uma amostra maior de galáxias e investigar como as fusões influenciam seu crescimento e evolução.

Planejamos tornar nossas descobertas públicas. Isso inclui um catálogo abrangente de probabilidades de fusão para uma ampla gama de galáxias coletadas da pesquisa HSC-SSP.

Criando esse recurso, esperamos ajudar outros astrônomos e pesquisadores a aprender mais sobre a evolução das galáxias e o papel que as fusões desempenham na formação do universo como o conhecemos.

Conclusão

As fusões de galáxias são um componente chave de como as galáxias evoluem, e entendê-las pode nos ajudar a aprender mais sobre o universo. Com o uso de tecnologia moderna como o aprendizado profundo, estamos começando a ter uma visão mais clara dessas interações complexas.

As descobertas desta pesquisa contribuirão para nosso crescente entendimento da dinâmica das galáxias e fornecerão uma ferramenta valiosa para estudos futuros nesta área fascinante da astronomia.

Fonte original

Título: Galaxy mergers in Subaru HSC-SSP: a deep representation learning approach for identification and the role of environment on merger incidence

Resumo: We take a deep learning-based approach for galaxy merger identification in Subaru HSC-SSP, specifically through the use of deep representation learning and fine-tuning, with the aim of creating a pure and complete merger sample within the HSC-SSP survey. We can use this merger sample to conduct studies on how mergers affect galaxy evolution. We use Zoobot, a deep learning representation learning model pre-trained on citizen science votes on Galaxy Zoo DeCALS images. We fine-tune Zoobot for the purpose of merger classification of images of SDSS and GAMA galaxies in HSC-SSP PDR 3. Fine-tuning is done using 1200 synthetic HSC-SSP images of galaxies from the TNG simulation. We then find merger probabilities on observed HSC images using the fine-tuned model. Using our merger probabilities, we examine the relationship between merger activity and environment. We find that our fine-tuned model returns an accuracy on the synthetic validation data of 76%. This number is comparable to those of previous studies where convolutional neural networks were trained with simulation images, but with our work requiring a far smaller number of training samples. For our synthetic data, our model is able to achieve completeness and precision values of 80%. In addition, our model is able to correctly classify both mergers and non-mergers of diverse morphologies and structures, including those at various stages and mass ratios, while distinguishing between projections and merger pairs. For the relation between galaxy mergers and environment, we find two distinct trends. Using stellar mass overdensity estimates for TNG simulations and observations using SDSS and GAMA, we find that galaxies with higher merger scores favor lower density environments on scales of 0.5 to 8 h^-1 Mpc. However, below these scales in the simulations, we find that galaxies with higher merger scores favor higher density environments.

Autores: Kiyoaki Christopher Omori, Connor Bottrell, Mike Walmsley, Hassen M. Yesuf, Andy D. Goulding, Xuheng Ding, Gergö Popping, John D. Silverman, Tsutomu T. Takeuchi, Yoshiki Toba

Última atualização: 2023-09-27 00:00:00

Idioma: English

Fonte URL: https://arxiv.org/abs/2309.15539

Fonte PDF: https://arxiv.org/pdf/2309.15539

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes