Deep Learning Segmentation of Spiral Arms and Bars for 600,000 Galaxies in DESI

Resumen Técnico: Segmentación mediante Aprendizaje Profundo de Brazos Espirales y Barras para 600.000 Galaxias en DESI

Planteamiento del Problema
Comprender la evolución y la morfología de las galaxias de tipo disco requiere un conocimiento detallado de sus estructuras internas, específicamente de los brazos espirales y las barras. Estas características impulsan la evolución secular, influyendo en la formación estelar, la dinámica del gas y los gradientes químicos. Si bien los sondeos de Espectroscopía de Campo Integral (IFS), como MaNGA y SAMI, proporcionan datos espacialmente resueltos, cubren áreas de cielo limitadas. Por el contrario, los grandes sondeos fotométricos, como el Legacy Survey del Dark Energy Spectroscopic Instrument (DESI-LS), contienen millones de galaxias pero carecen de una descomposición estructural automatizada y de alta fidelidad. Los métodos de descomposición tradicionales (p. ej., GALFIT, BUDDI) suelen ser computacionalamente intensivos o requieren un ajuste manual, lo que los hace inadecuados para catálogos de esta magnitud. Además, los enfoques de aprendizaje automático existentes para la segmentación de galaxias se han visto limitados por tamaños de imagen de entrada más pequeños, objetivos de clasificación binaria o la falta de aplicación a las imágenes de DESI.

Metodología
Los autores presentan "ZooBot:3D" (ZB:3D), un marco de aprendizaje profundo diseñado para generar mapas de segmentación de brazos espirales y barras a través de la huella de DESI-LS.

• Datos de Entrenamiento: El modelo fue entrenado con mapas de segmentación píxel a píxel derivados del proyecto de ciencia ciudadana Galaxy Zoo: 3D (GZ:3D). En GZ:3D, voluntarios trazaron manualmente brazos espirales y barras en imágenes de SDSS de 7.418 galaxias de MaNGA. Los autores convirtieron estas anotaciones de polígonos en máscaras "suaves" (soft masks), donde la intensidad del píxel (0–255) representa la fracción de voluntarios que encerraron ese píxel.
• Datos de Entrada: A diferencia de trabajos anteriores que utilizan imágenes de SDSS, ZB:3D utiliza imágenes del DESI Legacy Survey. DESI-LS ofrece una mayor profundidad ($r=23.9$ mag frente a $r=22.7$ mag para SDSS), revelando más detalles estructurales. Las imágenes se remuestrean a $424 \times 442$ píxeles y se recortan/hacen zoom a $224 \times 224$ píxeles para el modelo.
• Arquitectura del Modelo: ZB:3D emplea una arquitectura de estilo U-Net basada en bloques residuales de estilo ResNet. Cuenta con una estructura de codificador-decodificador con conexiones de salto (tanto residuales como de identidad) para preservar la información espacial. El modelo utiliza funciones de activación Mish y normalización por lotes (batch normalization), con una capa de salida final que produce dos canales (brazos espirales y barras). El enfoque de regresión predice la fracción continua de acuerdo de los voluntarios en lugar de una etiqueta de clase binaria.
• Selección de la Muestra: A partir de la muestra de origen GZ:DESI de aproximadamente 8,7 millones de galaxias, los autores aplicaron cortes de selección basados en el tamaño angular (radio de Petrosian > 2") y clasificaciones morfológicas generadas por máquinas (fracción de galaxias con características/disco, fracción de galaxias de canto). Esto produjo una muestra primaria de 639.636 galaxias, incluyendo 512.216 con probables brazos espirales y 230.511 con probables barras. También se generaron submuestras cruzadas para MaNGA (29.006) y SAMI (5.019).
• Umbralización: Para utilizar los mapas de segmentación suaves y "difusos", los autores investigaron métodos de umbralización. Descubrieron que los cortes basados en percentiles (específicamente el percentil 80 de la distribución de intensidad dentro del disco de la galaxia) proporcionaban resultados consistentes para aislar las estructuras, superando a los umbrales de intensidad fija.

Resultos Clave

• Calidad de la Segmentación: El modelo produce mapas detallados que se alinean bien con las máscaras de los voluntarios de GZ:3D. En comparaciones visuales, los mapas de ZB:3D fueron preferidos por astrónomos expertos tanto sobre las máscaras originales de los voluntarios como sobre los mapas de segmentación de SpArcFiRe de estudios previos. El modelo identifica con éxito estructuras espirales complejas, incluyendo multiplicidades de brazos variables y ángulos de enrollamiento.
• Detección Emergente de Anillos: A pesar de que las galaxias con anillos son un componente menor en los datos de entrenamiento (solo 373 de 6.382 galaxias de entrenamiento tenían fracciones de anillos altas), el modelo demostró una capacidad emergente para identificar estructuras de anillos. La cabeza de segmentación de brazos espirales logró trazar tanto los anillos principales del disco como los anillos nucleares, lo que sugiere una fuerte similitud morfológica entre el etiquetado de espirales y anillos.
• Validación Física:
  • Aplicación IFU: Aplicado a datacubes de MaNGA, los mapas de segmentación aislaron con éxito regiones de emisión de $H\alpha$ aumentada en los brazos espirales e identificaron "desiertos de formación estelar" en las regiones de las barras, lo cual es consistente con los mecanismos conocidos de evolución secular.
  • Aplicación Fotométrica: El análisis de la fotometría de DESI confirmó tendencias físicas conocidas: los píxeles dentro de las máscaras de brazos espirales son significativamente más azules ($g-r$) que el resto del disco, lo que indica una formación estelar aumentada. Por el contrario, los píxeles dentro de las máscaras de las barras son más rojos que el disco, lo cual es consistente con poblaciones estelares más viejas en las regiones de las barras.

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer catálogo a gran escala de mapas de segmentación generados por máquinas para brazos espirales y barras a través de la huella de DESI-LS, cubriendo más de 600.000 galaxias. La principal significancia radica en la creación de un producto de segmentación "suave" que captura la confianza del modelo, permitiendo un análisis matizado de las estructuras galácticas en lugar de clasificaciones binarias.

Los autores enfatizan que el uso de imágenes más profundas de DESI-LS como entrada permite la detección de detalles estructurales más finos en comparación con los modelos basados en SDSS. El conjunto de datos se pone a disposición pública, incluyendo submuestras cruzadas para sondeos de IFS, lo que permite a los investigadores realizar descomposiciones estructurales en datos fotométricos y espectroscopía IFU sin el coste computacional de la anotación manual o el ajuste tradicional. El trabajo sugiere que los modelos de aprendizaje profundo entrenados con datos de ciencia ciudadana pueden generalizarse para detectar estructuras (como los anillos) que no fueron enfatizadas explícitamente en el conjunto de entrenamiento, abriendo nuevas vías para el estudio de la morfología galáctica en la era de los grandes sondeos como Rubin, Euclid y Roman.