Sutra : An integrated framework for identification and characterization of filaments in the interstellar medium

Resumen Técnico: S¯utra – Un Marco Integrado para la Identificación y Caracterización de Filamentos

Planteamiento del Problema
Las observaciones del medio interestelar (ISM) en longitudes de onda de infrarrojo lejano (FIR) y submilimétrico revelan que las nubes moleculares están dominadas por estructuras filamentosas, las cuales sirven como cuna para la formación estelar. Si bien los sondeos sensibles como el Herschel Gould Belt Survey (HGBS) han establecido la ubicuidad de estos filamentos, su identificación y caracterización robustas siguen siendo un desafío. Las metodologías existentes generalmente se dividen en dos categorías: enfoques locales (por ejemplo, métodos basados en la matriz Hessiana), que tienen dificultades con filamentos tenues y de bajo contraste a través de amplios rangos dinámicos, y enfoques globales (por ejemplo, descomposición multiescala), que son computacionalmente intensivos. Además, las herramientas actuales suelen tratar la identificación de filamentos y la caracterización física como pasos secuenciales y desconectados. Esta separación, combinada con las variaciones en las definiciones de filamentos entre algoritmos, conduce a resultados inconsistentes y a una falta de identificación imparcial y libre de parámetros adecuada para análisis estadísticos a gran escala.

Metodología
El artículo presenta S¯utra, un marco basado en aprendizaje automático (machine learning) que unifica la identificación de filamentos y la caracterización física a escala de haz en un único flujo de trabajo automatizado. La metodología consta de cuatro tareas integradas:

1. Construcción de Etiquetas de Entrenamiento: En lugar de depender de la salida de un solo algoritmo, S¯utra construye etiquetas de entrenamiento tomando la unión de los esqueletos generados por dos métodos complementarios: DisPerSE (que rastrea crestas de intensidad mediante persistencia topológica) y getsf (que realiza una extracción multiescala global). Este "esqueleto de consenso" (dis:gsf) reduce el sesgo inherente a cualquier algoritmo individual e incluye estructuras de bajo contraste.
2. Arquitectura U-Net para la Detección de Crestas: El marco emplea una arquitectura U-Net entrenada en mapas de densidad de columna (CD). A diferencia de los modelos de segmentación tradicionales que predicen máscaras binarias de los interiores de los filamentos, S¯utra está entrenado para predecir un mapa de probabilidad de cresta ($P_{crest}$). Las etiquetas objetivo son esqueletos de un solo píxel de ancho, lo que obliga a la red a aprender la localización de la cresta (detección de la línea central) en lugar de una segmentación de intensidad amplia.
3. Estrategia de Preprocesamiento e Inferencia: Para manejar tamaños de mapa variables, los mapas de CD grandes se subdividen en fragmentos superpuestos (por ejemplo, $64 \times 64$ píxeles). Estos fragmentos pasan por un filtrado de fondo global, normalización local y mejora de contraste (mediante una operación de aplanamiento de arcotangente). Durante la inferencia, se utiliza una estrategia de teselado de alto solapamiento (95% de solapamiento) para mitigar las discontinuidades de los bordes, y las probabilidades predichas se promedian para producir una probabilidad de cresta de mapa completo suavizada.
4. Refinamiento Guiado por la Física: La salida bruta se convierte en un esqueleto binario mediante umbralización y transformación de eje medial. Crucialmente, este esqueleto no es el producto final. S¯utra subdivide el esqueleto en segmentos del tamaño del haz y realiza la extracción de perfiles radiales perpendicularmente a la cresta. Cada segmento se ajusta con un perfil de tipo Plummer. Los segmentos que no cumplen con los criterios físicos (por ejemplo, mala calidad de ajuste o falta de estructura cilíndrica) son rechazados. Los segmentos validados se reconectan mediante un algoritmo de Árbol de Expansión Mínima (MST). Este paso asegura que el catálogo final contenga solo estructuras consistentes con modelos de filamentos físicos.

Contribuciones Clave

• Marco Unificado: S¯utra es la primera herramienta que integra la segmentación supervisada con la caracterización física a escala de haz en un flujo de trabajo de un solo paso y con pocos parámetros.
• Aprendizaje Centrado en la Cresta: Al entrenar sobre esqueletos de un solo píxel en lugar de máscaras de intensidad, el modelo se enfoca en las espinas de los filamentos, lo que permite la detección de estructuras en entornos de bajo contraste donde el umbralizado tradicional falla.
• Entrenamiento de Consenso: El uso de la unión de las salidas de DisPerSE y getsf como verdad de terreno (ground truth) crea un conjunto de entrenamiento más inclusivo y menos sesgado.
• Filtrado Físico: La integración del ajuste de perfil radial como criterio de filtrado transforma la extracción de filamentos de un problema puramente basado en imágenes a un procedimiento guiado físicamente, rechazando detecciones espurias que no exhiben perfiles cilíndricos.

Resultos
El marco fue entrenado en cinco nubes moleculares cercanas (Ophiuchus, Polaris, Aquila, Orion-B e IC-5146) del HGBS y validado en recortes seleccionados de Aquila, Orion y Polaris.

• Capacidad de Detección: S¯utra identifica consistentemente una longitud y área total de estructuras filamentosas significativamente mayor en comparación con DisPerSE y getsf de forma individual. En la región de Aquila, S¯utra identificó 72.5 pc de filamentos, comparado con 30.8 pc (DisPerSE) y 23.3 pc (getsf).
• Sensibilidad a Estructuras Tenues: S¯utra detecta filamentos con menor intensidad y menor contraste ($C < 0.3$) que son omitidos por los otros métodos. Esto es particularmente evidente en la nube de Polaris, una región quiescente donde los filamentos son difusos.
• Consistencia Física: A pesar de detectar una población de filamentos más amplia, las propiedades intrínsecas derivadas por S¯utra —específicamente el ancho del filamento ($2 \times R_{flat} \approx 0.1$ pc) y el índice $p$ de Plummer ($\sim 2$)— son estadísticamente consistentes con las derivadas por DisPerSE y getsf.
• Validación de Nuevas Detecciones: Los "nuevos" filamentos detectados por S¯utra (aquellos no presentes en el esqueleto de entrenamiento dis:gsf) fueron sometidos al ajuste de Plummer. Estos arrojaron un $\chi^2$ reducido medio de 1.81 y parámetros físicos consistentes con poblaciones de filamentos conocidas, confirmando que son estructuras genuinas y no artefactos.
• Robustez: Pruebas controladas en datos sintéticos con variaciones de turbulencia de fondo (movimiento browniano fraccionario) demostraron que los mapas de probabilidad de cresta de S¯utra permanecen estables, mientras que los métodos basados en la matriz Hessiana mostraron sensibilidad a la amplificación del fondo.

Significancia y Reivindicaciones
Los autores afirman que S¯utra proporciona un enfoque robusto, libre de parámetros y computacionalmente eficiente para la investigación sistemática de los filamentos del ISM. Al recuperar estructuras filamentosas consistentes con perfiles cilíndricos incluso en entornos de bajo contraste, S¯utra es adecuado tanto para estudios específicos de regiones como para análisis estadísticos a gran escala del inicio de la formación estelar.

El marco permite el estudio de las propiedades de los filamentos (como la densidad de masa lineal y el ancho) a resolución de haz a lo largo del eje del filamento, en lugar de depender de medianas globales. Esta capacidad permite la investigación de la fragmentación, estabilidad y evolución de los filamentos a medida que se acercan a los sistemas de núcleo-filamento (hub-filament systems). El artículo enfatiza que, aunque actualmente opera en mapas de CD, su diseño modular permite la futura integración con datos espectroscópicos y de campos magnéticos para estudiar la estabilidad gravitatoria y la dinámica. La herramienta se distribuye como un paquete de Python y un portal en línea para apoyar la reproducibilidad y la extensión de la comunidad.