Comparison and verification methods to trace interaction-driven disturbances in galaxies

Resumen Técnico: Comparación y Métodos de Verificación para Rastrear Perturbaciones Impulsadas por Interacciones en Galaxias

Planteamiento del Problema
La formación jerárquica de estructuras cosmológicas bajo el modelo $\Lambda$CDM implica que las fusiones de galaxias son frecuentes, produciendo escombros de marea de baja luminosidad superficial (colas, corrientes, capas o shells) y perturbaciones morfológicas más amplias (halos asimétricos, núcleos dobles). Aunque la clasificación visual ha sido históricamente el estándar para identificar estas características, el inminente volumen de datos del Observatorio Vera C. Rubin (LSST) y la misión Euclid hace que la inspección manual sea inviable. Existe una necesidad urgente de herramientas automatizadas robustas para detectar estas firmas impulsadas por interacciones. Sin embargo, los métodos automatizados existentes enfrentan compromisos (trade-offs): el aprendizaje automático (ML) supervisado a menudo requiere grandes conjuntos de datos etiquetados de alta calidad, los cuales son escasos para características de marea tenues, mientras que los métodos no paramétricos tradicionales, como los parámetros de Concentración-Asimetría-Suavidad (CAS), pueden carecer de sensibilidad hacia estructuras difusas. Este artículo evalúa dos enfoques automatizados —un modelo de Aprendizaje Auto-Supervisado (SSL) y el método de parámetros CAS— frente a la clasificación visual para determinar su eficacia en el rastreo de firmas de fusión.

Metodología
El estudio utiliza un conjunto de datos de 1,826 imágenes simuladas (mock images) generadas a partir de la simulación cosmológica IllustrisTNG-100. Para alinearse con la profundidad y resolución esperadas de los datos de LSST, los autores regeneraron las imágenes simuladas a un desplazamiento al rojo mediano de $z \sim 0.15$ (abarcando $0.02 < z < 0.29$), lo que resultó en una resolución de $0.43''$ píxel$^{-1}$ y límites de brillo superficial comparables a un estudio de 10 años de LSST ($\mu_g \sim 30.3$ mag arcsec$^{-2}$).

El marco de evaluación se basa en tres métodos de clasificación distintos:

1. Clasificación Visual (Referencia): Un equipo clasificó visualmente las imágenes simuladas recreadas en cuatro categorías: Corrientes/Colas (Streams/Tails), Capas (Shells), Halos Estelares Asimétricos y Núcleos Dobles. Se aplicó un sistema de confianza (0–3), donde los niveles de confianza $\ge 2$ se trataron como la verdad de terreno (ground truth) para sistemas "perturbados".
2. Aprendizaje Auto-Supervisado (SSL): Los autores evaluaron el modelo SSL desarrollado por Desmons et al. (2024). Esta arquitectura emplea un codificador ResNet-20 entrenado mediante el Aprendizaje de Representaciones de Vecino Cercano Contrastivo (NNCLR) de datos no etiquetados para extraer características de baja dimensión. Crucialmente, los autores no reentrenaron el codificador; en su lugar, ajustaron únicamente la cabeza del clasificador lineal utilizando un pequeño subconjunto de las imágenes simuladas etiquetadas (entrenando con 1,440 imágenes, con divisiones de validación y prueba). El modelo fue probado además con un conjunto de entrenamiento reducido (480 imágenes) y aplicado a un conjunto de predicción completamente nuevo (960 imágenes).
3. Parámetros CAS: El método tradicional de Concentración-Asimetría-Suavidad se aplicó a las imágenes simuladas combinadas de 5 bandas. El estudio se centró en los parámetros de Asimetría ($A$) y Suavidad ($S$), aplicando los criterios estándar de selección de fusión de $A > 0.35$ y $A > S$.

El rendimiento se cuantificó utilizando la Tasa de Verdaderos Positivos (Recuperación/Completitud), la Tasa de Falsos Positivos (Contaminación), la Precisión y el Área Bajo la Curva ROC (AUC), utilizando la clasificación visual como el estándar de referencia.

Resultados Clave

• Línea Base de Clasificación Visual: En las imágenes simuladas recreadas (simulando las condiciones de LSST), el 25.1% de las galaxias exhibieron perturbaciones impulsadas por interacciones con alta confianza ($\ge 2$). Esto es menor al 34.2% encontrado en las imágenes simuladas originales más cercanas, lo que resalta el impacto de la distancia y la resolución en la detectabilidad de las estructuras tenues de baja luminosidad superficial. Los halos asimétricos fueron la firma más común, mientras que las capas (shells) estuvieron casi ausentes debido al desvanecimiento por brillo superficial.
• Rendimiento del Modelo SSL: Al reentrenar solo el clasificador lineal con un pequeño conjunto de datos etiquetados, el modelo SSL logró un alto ROC AUC de $0.92 \pm 0.01$. Con una Tasa de Falsos Positivos (FPR) fija de 0.2, el modelo demostró una alta recuperación (completitud) de $0.86 \pm 0.04$ con una precisión de 0.56. El modelo mantuvo un rendimiento robusto incluso cuando el conjunto de entrenamiento se redujo a 480 galaxias únicas, indicando que el codificador preentrenado se generaliza eficazmente a nuevos datos con una supervisión etiquetada mínima.
• Rendimiento del Método CAS: Utilizando el umbral tradicional de $A > 0.35$, el método CAS exhibió una alta precisión (0.77) pero una recuperación muy baja (0.20). Identificó con éxito una muestra "limpia" de sistemas perturbados, pero no logró recuperar la mayoría de las galaxias clasificadas visualmente como perturbadas. El método mostró una débil correlación con la masa estelar en comparación con los otros métodos.
• Optimización de Umbrales: Cuando se optimizó el umbral de asimetría CAS mediante el análisis ROC para coincidir con los criterios de evaluación del SSL (FPR = 0.2), el umbral descendió a $A > 0.14$. Esto mejoró la recuperación a 0.59 pero redujo la precisión a 0.48. A pesar de este ajuste, el método CAS siguió rindiendo por debajo del modelo SSL en todos los parámetros (AUC 0.76 vs. 0.90).
• Correlación con la Masa Estelar: Tanto la clasificación visual como el modelo SSL revelaron una fuerte correlación positiva entre la masa estelar y la probabilidad de identificar sistemas perturbados. En contraste, el método CAS mostró una correlación insignificante, sugiriendo que es menos sensible a las tendencias dependientes de la masa en las firmas de fusión detectables en imágenes profundas.

Significancia y Conclusiones
El artículo concluye que el enfoque SSL, específicamente la estrategia de reentrenar solo el clasificador lineal en un pequeño conjunto de datos etiquetados mientras se aprovecha un codificador auto-supervisado preentrenado, ofrece una solución altamente efectiva para la detección automatizada de perturbaciones en grandes sondeos. Proporciona un equilibrio superior entre completitud y precisión en comparación con el método CAS tradicional.

Si bien el método CAS sigue siendo útil como una herramienta conservadora para identificar muestras de fusiones de alta confianza y limpias, subestima significativamente la fracción de galaxias perturbadas, particularmente aquellas con características de marea tenues y difusas. La capacidad del modelo SSL para lograr una alta recuperación ($\sim 86\%$) con baja contaminación lo hace más adecuado para construir un censo completo de las características relacionadas con fusiones en los próximos datos de LSST. El estudio enfatiza que la elección del método de detección influye significativamente en la relación observada entre las propiedades de la galaxia (como la masa estelar) y la actividad de fusión, con los métodos paramétricos tradicionales potencialmente perdiendo la población más amplia de sistemas en interacción.