Finding the boundary: Using galaxy membership to inform galaxy cluster extent through machine learning

1. Problématique et Contexte

Les amas de galaxies constituent les plus grandes structures liées par la gravité dans l'univers et servent de laboratoires cosmiques pour étudier la formation et l'évolution des galaxies. Cependant, la définition de la limite spatiale de l'influence d'un amas sur les galaxies environnantes reste un défi majeur.

• Le problème : Il n'existe pas de frontière physique nette et unique séparant les galaxies de champ (isolées) des galaxies d'amas. Les définitions traditionnelles, telles que le rayon de surdensité ($R_{200}$) ou le rayon de « splashback » ($R_{sp}$, marquant la limite dynamique de l'effondrement de la matière noire), ne capturent pas toujours la complexité des processus environnementaux qui affectent les propriétés intrinsèques des galaxies (arrêt de la formation d'étoiles, érosion du gaz, etc.).
• L'objectif : Déterminer l'étendue spatiale de l'influence de l'environnement d'un amas sur les galaxies en utilisant une approche basée sur les données, afin de cartographier la région de transition entre les populations de champ et d'amas de manière probabiliste plutôt que binaire.

2. Méthodologie

L'étude utilise des données issues de la plus grande simulation cosmologique à haute résolution de la suite IllustrisTNG (TNG300-1), à un redshift $z=0$.

• Échantillonnage :
  • Sélection d'amas avec une masse $M_{200,mean} > 10^{13} M_\odot$.
  • Sélection de galaxies (sous-halos) avec une masse stellaire $M_* > 10^9 M_\odot$ et une masse de matière noire $M_{dm} > 10^{9.5} M_\odot$.
  • Les galaxies sont appariées à l'amas le plus proche pour calculer la distance radiale normalisée ($r/R_{200,mean}$).
• Approche par Apprentissage Automatique (Machine Learning) :
  • Modèle : Un réseau de neurones profond (Deep Neural Network - DNN) de type perceptron multicouche (MLP) à quatre couches.
  • Tâche : Classification binaire supervisée pour prédire si une galaxie appartient à l'environnement d'un amas (label 0) ou à l'environnement de champ (label 1).
  • Entrées (Features) : 15 propriétés intrinsèques des galaxies sont utilisées, regroupées en trois catégories physiques :
    • Stellaire : Masse stellaire, métallicité stellaire, couleur ($g-r$), rayon de demi-masse stellaire.
    • Gaz : Fraction de gaz, métallicité du gaz, rayon de demi-masse du gaz.
    • Dynamique : Vitesse maximale, dispersion de vitesse, spin, masse de matière noire.
  • Étiquetage (Labels) : Deux schémas d'étiquetage sont testés :
    1. Basé sur la distance : Une galaxie est « amas » si $r < R_x$ (où $R_x$ est $R_{sp}$, $R_{200,mean}$ ou $R_{200,crit}$) et « champ » si $r > k \cdot R_x$.
    2. Basé sur l'arbre de fusion (SUBLINK) : Une galaxie est « amas » si elle a déjà appartenu à un groupe hôte massif dans son histoire de fusion.
• Analyse : Le modèle est entraîné pour prédire la probabilité d'appartenance. La région de transition est identifiée comme la zone où la probabilité de sortie (logit) traverse zéro, indiquant une population mixte.

3. Contributions Clés

• Cartographie Probabiliste : Première carte quantitative et probabiliste de la région de transition, montrant qu'il ne s'agit pas d'une frontière physique abrupte, mais d'une zone étendue et intrinsèquement dispersée.
• Détection de Populations Mixtes : Identification physique d'une population de galaxies « ambiguës » dont les propriétés ne correspondent ni parfaitement à un modèle d'amas ni à un modèle de champ, situées principalement dans les périphéries des amas.
• Séparation par Processus Physiques : Développement de modèles spécifiques pour isoler comment différentes propriétés (dynamiques, stellaires, gazeuses) réagissent à l'environnement à différentes distances.

4. Résultats Principaux

A. Nature de la Transition

• La transition entre les galaxies de champ et d'amas est étendue et probabiliste. Le modèle révèle une région de transition large située autour de $1.0 - 1.2 R_{200,mean}$.
• Il existe une dispersion intrinsèque significative : à une distance donnée, certaines galaxies sont déjà fortement affectées par l'environnement tandis que d'autres ne le sont pas encore. Cela contredit l'idée d'une frontière unique et rigide.
• La région de transition correspond à la zone où les galaxies subissent un « prétraitement » (pre-processing) le long des filaments avant d'entrer dans le cœur de l'amas.

B. Dépendance à la Masse

• Le rayon de transition ($r_0$, où la probabilité est de 50 %) augmente avec la masse de l'amas ($r_0 \propto M^{0.1}$).
• Cette tendance est inversement corrélée à la relation masse-concentration des halos de matière noire. Les amas de faible masse (plus concentrés) exercent leur influence sur le gaz (via le stripping par pression de ram) plus près du centre, tandis que les amas massifs (moins concentrés) permettent à ces effets de s'étendre sur une plus grande fraction du rayon viriel.

C. Comparaison avec les Définitions de Frontières Existantes

• Les définitions classiques ($R_{200,mean}$, $R_{200,crit}$, $R_{sp}$) ne séparent pas proprement les populations de galaxies selon leurs propriétés intrinsèques. Les galaxies traversant ces rayons présentent des mélanges de propriétés.
• Le rayon de transition prédit par le ML ne coïncide pas avec le rayon de splashback, suggérant que les processus environnementaux affectant les propriétés des galaxies (comme l'érosion du gaz) s'étendent au-delà de la limite dynamique de la matière noire.

D. Dépendance aux Types de Propriétés

• Propriétés Dynamiques : Elles montrent une transition la plus profonde (près du centre de l'amas), reflétant le changement d'orbites des galaxies.
• Propriétés Stellaire et Gazeuse :
  • Pour les amas de faible masse, les transitions gazeuse et stellaire se produisent à des endroits similaires.
  • Pour les amas de haute masse, la transition gazeuse se produit plus loin que la transition stellaire. Cela suggère que le gaz est érodé ou chauffé plus tôt (plus loin du centre) que l'arrêt de la formation d'étoiles ne se manifeste dans les propriétés stellaires (délai de quenching).

5. Signification et Implications

• Redéfinition des Frontières : L'étude démontre que la définition d'une frontière d'amas ne peut pas être un simple rayon sphérique fixe. Elle doit être considérée comme une région de transition probabiliste dépendante de la masse et des propriétés physiques observées.
• Compréhension de l'Évolution : Les résultats soulignent l'importance du « prétraitement » environnemental. Les galaxies commencent à évoluer bien avant d'atteindre le cœur de l'amas, en particulier via des mécanismes comme le stripping par pression de ram qui agit sur le gaz bien au-delà du rayon de splashback.
• Applications Futures : Cette approche basée sur le ML peut être appliquée aux données observationnelles (en utilisant des couleurs et des magnitudes multi-bandes) pour affiner la détection des amas et comprendre l'évolution des galaxies dans un contexte cosmologique plus large. Elle offre un outil pour tester les modèles de formation galactique en comparant les prédictions de transition avec des observations réelles (ex: DESI, Euclid, Roman).

En résumé, cet article utilise l'apprentissage automatique pour révéler que la frontière d'un amas de galaxies est une zone floue et dynamique, dictée par la complexité des interactions physiques (gaz, étoiles, dynamique) plutôt que par une limite géométrique simple.