Catalogan la morfología de 27 millones de galaxias con un algoritmo

  Una imagen de NGC 1365 recopilada por Dark Energy Survey. También conocida como la Gran Galaxia Espiral Barrada, NGC 1365 es un ejemplo de galaxia espiral y se encuentra a unos 56 millones de años luz de distancia. POLITICA INVESTIGACIÓN Y TECNOLOGÍA DECAM, DES COLLABORATION

Usando datos del Dark Energy Survey (DES), investigadores de la Universidad del Estado de Pensilvania han producido el catálogo más grande de clasificaciones de morfología de galaxias hasta la fecha.

En total, 27 millones de morfologías de galaxias han siodo cuantificadas y catalogadas con la ayuda del aprendizaje automático El estudio fue publicado en Monthly Notices of the Royal Astronomical Society.

Dark Energy Survey (DES) es un programa de investigación internacional cuyo objetivo es obtener imágenes de una octava parte 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 del DES contienen muchas más imágenes de galaxias distantes que otros estudios hasta la fecha. "Las imágenes de DES nos muestran cómo eran las galaxias hace más de 6 mil millones de años", dice la coautora Mariangela Bernardi, profesora en el Departemento de Física y Astronomía.

Y debido a que DES tiene millones de imágenes de alta calidad de objetos astronómicos, es el conjunto de datos perfecto 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 tiene mucha información sobre la forma en que se formaron, y conocer sus morfologías nos da pistas sobre las posibles vías de formación de las galaxias", dice la coautora Helena Domínguez Sánchez, investigadora postdoctoral.

Anteriormente, los investigadores habían publicado un catálogo morfológico para más de 600.000 galaxias del Sloan Digital Sky Survey (SDSS). Para hacer esto, desarrollaron una red neuronal convolucional, un tipo de algoritmo de aprendizaje automático, que podía categorizar automáticamente si una galaxia pertenecía 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.

Pero el catálogo desarrollado utilizando el conjunto de datos SDSS estaba compuesto principalmente de galaxias cercanas brillantes, dice Vega-Ferrero. En su último estudio, los investigadores querían refinar su modelo de red neuronal para poder clasificar galaxias más débiles y distantes. "Queríamos empujar los límites de la clasificación morfológica y tratar de ir más allá, a objetos más débiles u objetos que están más lejos", dice el coautor Jesús Vega-Ferrero, investigador postdoctoral.

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, compuesto por un conjunto de 20.000 galaxias que se superponían entre DES y SDSS. Luego, crearon versiones simuladas de nuevas galaxias, imitando cómo se verían las imágenes si estuvieran 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 incluye información sobre la probabilidad de que una galaxia individual sea elíptica o espiral. Los investigadores también encontraron que su red neuronal tenía una precisión del 97% para clasificar la morfología de las galaxias, incluso para las galaxias que eran demasiado débiles para clasificarlas a simple vista.

"Empujamos los límites en tres órdenes de magnitud, a objetos que son 1.000 veces más débiles que los originales", dice Vega-Ferrero. "Es por eso que 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 sobre cómo se formaron las galaxias"https://www.infobae.com/america/agencias/2021/04/12/ciencia-catalogan-la-morfologia-de-27-millones-de-galaxias-con-un-algoritmo/