Mimicking the large-scale structure of the Local Universe. Synthetic pre-labelled galaxies in large-scale structures

Resumen Técnico: Imitación de la Estructura a Gran Escala del Universo Local

1. El Problema
La clasificación de galaxias en estructuras de la red cósmica (cúmulos, filamentos, paredes y vacíos) carece de un criterio universalmente aceptado. Esto genera inconsistencias en los catálogos observacionales y simulados, donde diferentes algoritmos pueden clasificar a una misma galaxia de manera contradictoria (por ejemplo, como galaxia de vacío o de pared). Esta falta de consenso dificulta la evaluación de la consistencia de los métodos de clasificación existentes y complica el entrenamiento de modelos de aprendizaje automático (ML) y aprendizaje profundo (DL), ya que estos requieren datos de entrenamiento con etiquetas únicas, consistentes y precisas ("ground truth"). Además, las simulaciones N-cuerpos existentes a menudo no asignan etiquetas explícitas a la estructura de pertenencia de cada galaxia, lo que impide validar la fiabilidad de los métodos de clasificación.

2. Metodología
Los autores presentan un simulador de estructura a gran escala (LSS) puramente geométrico basado en las propiedades estadísticas espaciales observadas en el catálogo de la Sloan Digital Sky Survey (SDSS) hasta un corrimiento al rojo de $z \simeq 0.1$.

• Tesselación de Voronoi 3D: El núcleo del simulador utiliza una teselación de Voronoi. En este modelo, los nodos corresponden a cúmulos, las aristas a filamentos, las superficies a paredes y las celdas vacías a vacíos.
• Generación de Semillas: Se generan posiciones aleatorias dentro de los vacíos como semillas para teselar el espacio 3D.
• Población de Galaxias: Las estructuras resultantes se pueblan con galaxias sintéticas que adhieren a las propiedades estadísticas de sus estructuras observacionales correspondientes:
  • Cúmulos: Se utiliza una distribución de probabilidad para el número de galaxias (basada en Tempel et al. 2017) y un radio máximo que depende de dicho número. Se aplica el efecto de "Dedos de Dios" (FoG) simulando la dispersión de velocidades radiales.
  • Paredes y Filamentos: Se tratan como una sola categoría estructural debido a la falta de catálogos completos de filamentos y limitaciones de indexación en la teselación. Se asignan densidades superficiales y distribuciones espaciales (Gaussianas o uniformes) respecto al plano de la pared.
  • Vacíos: Se generan galaxias en zonas de baja densidad, utilizando un método basado en densidad o proporción (aprox. 15% del total), evitando la contaminación de otras estructuras mediante un histograma 3D invertido.
• Sesgos Observacionales: El simulador incorpora el sesgo de Malmquist (eliminando galaxias tenues a grandes distancias para imitar la limitación de detección del SDSS) y distorsiones en el espacio de corrimiento al rojo.
• Etiquetado: Cada galaxia generada recibe una etiqueta única y predefinida de su estructura de pertenencia en el momento de su creación.

3. Contribuciones Clave

• Simulador Geométrico Novel: Se presenta una herramienta que genera catálogos sintéticos donde las galaxias imitan las propiedades estadísticas de su entorno real, pero con una etiqueta de estructura inmutable y perfecta.
• Datos de Entrenamiento "Pre-etiquetados": Proporciona un conjunto de datos de referencia ideal para afinar algoritmos de clasificación, comparar métodos y entrenar modelos de ML/DL sin ambigüedades en las etiquetas.
• Flexibilidad y Escalabilidad: El código es de código abierto (disponible en GitLab) y permite generar múltiples universos cambiando la semilla aleatoria, lo cual es crucial para reducir el sobreajuste en modelos de aprendizaje automático.
• Validación contra SDSS: El simulador se calibró específicamente para replicar las propiedades del SDSS, utilizando catálogos de referencia para vacíos (Pan et al. 2012) y cúmulos (Tempel et al. 2017).

4. Resultados
Se generaron seis catálogos simulados (cortes del cielo completo) que replican la forma y volumen del SDSS. Los resultados clave incluyen:

• Distribución de Masa y Volumen:
  • Masa: ~3.3% de las galaxias en cúmulos, ~80.8% en paredes/filamentos y ~15.9% en vacíos.
  • Volumen: ~0.07% en cúmulos, ~19.3% en paredes/filamentos y ~80.6% en vacíos.
  • Estas proporciones son consistentes con estudios teóricos y observacionales previos (e.g., Libeskind et al. 2018).
• Propiedades de Estructuras:
  • Cúmulos: Se reprodujo correctamente la relación entre el número de galaxias, el radio del cúmulo y la dispersión de velocidades (FoG).
  • Vacíos: La densidad media de galaxias en vacíos simulados fue de $\sim 0.001$ galaxias/$[h^{-1}\text{Mpc}]^3$, representando el ~18% de la densidad media del universo simulado, coincidiendo con observaciones.
  • Sesgo de Malmquist: La distribución de galaxias detectadas en el simulado coincide con la curva de detección del SDSS, mostrando una caída en el número de galaxias a distancias superiores a ~150 $h^{-1}\text{Mpc}$.
• Consistencia: Los catálogos generados muestran una concordancia estadística con los datos observacionales de referencia en términos de densidad, distribución de tamaños y conteo de estructuras.

5. Significado e Impacto
Este trabajo ofrece una plataforma robusta y expandible para la astronomía moderna, específicamente para la era de los grandes sondeos de galaxias.

• Avance en ML/DL: Permite entrenar redes neuronales y algoritmos de segmentación semántica con datos "perfectamente etiquetados", superando la limitación de la falta de consenso en la clasificación observacional.
• Benchmarking: Facilita la comparación objetiva de diferentes algoritmos de clasificación de la red cósmica, permitiendo identificar qué métodos capturan mejor las propiedades físicas reales.
• Escenarios de Prueba: Permite explorar casos límite y escenarios extremos (ej. cambiar drásticamente el número de vacíos) para probar la robustez de los modelos teóricos.
• Futuro: Aunque actualmente las paredes y filamentos se tratan como una sola categoría, el simulador sienta las bases para futuros desarrollos que puedan distinguirlos independientemente, mejorando la comprensión de la evolución galáctica en función de su entorno.

En conclusión, el simulador MockLSS (código abierto) llena un vacío crítico en la cosmología observacional al proporcionar datos sintéticos de alta fidelidad y etiquetado preciso, esenciales para la próxima generación de análisis de la estructura a gran escala del universo.