🔭 astrophysics

From DES to KiDS: Domain adaptation for cross-survey detection of low-surface-brightness galaxies

Cet article démontre que les techniques d'adaptation de domaine, utilisant des modèles d'apprentissage profond entraînés sur les données du Dark Energy Survey, peuvent identifier et caractériser de manière robuste plus de 20 000 galaxies à faible brillance de surface et 434 galaxies ultra-diffuses dans le relevé KiDS DR5, établissant ainsi une voie évolutive pour créer des catalogues d'étoiles homogènes pour les futurs relevés à grande échelle tels que LSST et Euclid.

Auteurs originaux : Hareesh Thuruthipilly, Krzysztof Lisiecki, Junais, Katarzyna Małek, Agnieszka Pollo, William J. Pearson, Antonio Vanzanella, Saptarshi Pal, Miguel Figueira, Pratik Dabhade, Anna Durkalec, Aidan P. Co

Publié 2026-05-14

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hareesh Thuruthipilly, Krzysztof Lisiecki, Junais, Katarzyna Małek, Agnieszka Pollo, William J. Pearson, Antonio Vanzanella, Saptarshi Pal, Miguel Figueira, Pratik Dabhade, Anna Durkalec, Aidan P. Cotter, Unnikrishnan Sureshkumar, Nandini Hazra, Patryk Matera, Subhrata Dey, Michal Vrábel, Anirban Dutta, Henry Willems, Nicola Principi Cavaterra, Natalia Dobrowolska, Wojciech Knop

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que l'univers est une immense pièce sombre remplie de milliers de types de meubles différents. La plupart des meubles sont brillants, lumineux et faciles à repérer — comme un lustre étincelant ou une table polie. Ce sont les galaxies « normales » que nous voyons habituellement dans le ciel. Mais cachées dans les coins, à peine visibles contre les murs sombres, se trouvent des objets pâles et fantomatiques faits d'un tissu fin et vaporeux. Ce sont les galaxies à faible luminosité de surface (LSBG). Elles sont si peu lumineuses et si étendues qu'il est incroyablement difficile de les trouver, pourtant elles pourraient constituer une énorme partie de tous les meubles de la pièce.

Cet article traite d'une équipe d'astronomes qui a construit une « caméra intelligente » spéciale pour repérer ces galaxies fantomatiques dans une nouvelle carte du ciel, même si la caméra avait été initialement entraînée sur une carte différente.

Voici l'histoire de leur démarche, décomposée en étapes simples :

1. Le Problème : Entraîner un chien à trouver des chats dans une forêt différente

Les astronomes disposaient d'un programme informatique très intelligent (un type d'Intelligence Artificielle appelé Apprentissage Profond) excellent pour repérer ces galaxies pâles dans un relevé céleste spécifique appelé DES (Dark Energy Survey). Imaginez ce programme comme un chien entraîné à trouver un type spécifique de lapin dans une forêt précise.

Cependant, ils voulaient utiliser ce « chien » pour trouver des lapins dans une forêt différente appelée KiDS (Kilo-Degree Survey). Le problème ? Les deux forêts ont des apparences différentes. L'éclairage est différent, les arbres ont une taille différente, et la texture du sol varie. Habituellement, si vous prenez un chien entraîné dans une forêt et que vous le déposez dans une autre, il se perd et cesse de fonctionner.

2. La Solution : L'astuce du « Traducteur »

Au lieu de réentraîner le chien depuis zéro (ce qui prendrait beaucoup de temps et nécessiterait beaucoup de nouvelles données d'entraînement), l'équipe a utilisé une astuce ingénieuse appelée Adaptation de Domaine.

Imaginez que vous essayez de montrer une image d'un lapin à quelqu'un qui parle une langue différente. Au lieu de lui apprendre toute la langue, vous traduisez simplement le concept de l'image.

L'équipe a pris les images de la nouvelle forêt (KiDS) et les a ajustées pour qu'elles ressemblent physiquement à l'ancienne forêt (DES).
Ils ont converti la luminosité des étoiles en une « unité physique » universelle (comme passer de « cela semble brillant à mon œil » à « quantité exacte d'énergie lumineuse »).
Ils ont redimensionné les images afin que les « pixels » (les petits points composant l'image) correspondent à la même échelle.

En faisant cela, ils ont rendu la nouvelle forêt familière au vieux chien. Le chien n'avait pas besoin de nouvel entraînement ; il reconnaissait simplement les lapins parce qu'ils avaient la même apparence dans ce nouveau langage traduit.

3. La Chasse : Trouver les fantômes

Avec leurs images « traduites », ils ont fait fonctionner leurs modèles d'IA sur les données KiDS.

Le Résultat : L'IA a trouvé 20 180 de ces galaxies pâles et fantomatiques !
Les Ultra-Pâles : Ils ont également découvert 434 « Galaxies Ultra-Diffuses » (UDG). Ce sont comme les fantômes les plus transparents et les plus vaporeux de tous — immenses en taille mais incroyablement légers en masse.

4. Le Nettoyage : L'œil humain

Les ordinateurs sont excellents, mais ils ne sont pas parfaits. Parfois, ils sont trompés par des motifs étranges dans le ciel, comme une tache sur une lentille ou une étoile lointaine qui ressemble à une tache floue.

L'équipe a fait appel à un groupe de 18 bénévoles humains pour agir en tant qu'« inspecteurs de contrôle qualité ».
Ils ont examiné des milliers d'images une par une pour s'assurer que l'IA ne commettait pas d'erreurs.
Après cette révision humaine, ils ont confirmé la liste finale de 20 180 galaxies.

5. Qu'ont-ils appris ?

Une fois leur liste de fantômes établie, ils ont commencé à se poser des questions à leur sujet :

Sont-elles liées aux galaxies normales ? Oui. L'équipe a découvert que ces galaxies pâles s'inscrivent sur une échelle continue et lisse entre les petites galaxies naines normales et les géantes ultra-diffuses. C'est comme trouver une rampe lisse reliant un petit tabouret à un immense fauteuil en forme de haricot, plutôt qu'un vide entre les deux. Elles font toutes partie de la même famille.
Sont-elles bleues ou rouges ? Les galaxies se présentent en deux couleurs principales, comme une personnalité scindée :
- Bleues (73 %) : Ce sont des « adolescents » qui fabriquent encore de nouvelles étoiles. Elles sont actives et forment de nouvelles vies.
- Rouges (27 %) : Ce sont des « retraités » qui ont cessé de fabriquer des étoiles. Elles sont calmes et anciennes.
Où vivent-elles ? L'équipe a remarqué un schéma fort basé sur l'endroit où vivent les galaxies.
- Les galaxies vivant seules à la « campagne » (espace isolé) sont majoritairement bleues et actives.
- Les galaxies vivant dans des « villes » bondées (amas de galaxies) sont majoritairement rouges et calmes.
- L'Analogie : C'est comme vivre dans une ville animée. Le bruit et la pression de la foule (d'autres galaxies) semblent « éteindre » ou arrêter le processus de formation d'étoiles, transformant les galaxies bleues et actives en galaxies rouges et calmes. L'environnement est la raison de leur changement.

6. La Vue d'Ensemble

L'article conclut que cette méthode de « traducteur » fonctionne incroyablement bien. Il prouve que nous pouvons utiliser une IA entraînée sur un relevé pour trouver des galaxies dans un autre sans repartir de zéro.

C'est une avancée majeure car, dans un futur proche, de nouveaux télescopes massifs (comme le LSST et Euclid) prendront des photos de l'ensemble du ciel, découvrant des millions de ces galaxies pâles. Nous n'aurons pas le temps d'entraîner une nouvelle IA pour chaque télescope individuel. Cet article nous montre une feuille de route : entraîner une fois, traduire les données, et trouver les fantômes partout.

En résumé, l'équipe a forgé une clé universelle qui ouvre la porte aux habitants les plus cachés et les plus pâles de l'univers, prouvant que même les lumières les plus faibles du cosmos peuvent être trouvées si l'on sait comment chercher.

Résumé technique : De DES à KiDS : Adaptation de domaine pour la détection inter-enquêtes de galaxies à faible brillance de surface

Énoncé du problème
Les galaxies à faible brillance de surface (LSBG) sont essentielles pour comprendre la formation des galaxies et constituent une fraction significative de la population galactique et de la masse dynamique de l'Univers. Cependant, leur nature diffuse les rend difficiles à détecter, entraînant une sous-représentation sévère dans les catalogues actuels. Un défi majeur dans ce domaine est l'absence d'une définition observationnelle universellement adoptée et la difficulté d'appliquer des méthodes de détection entraînées sur une enquête à une autre en raison des différences de zéros photométriques, d'échelles de pixels, de fonctions d'étalement du point (PSF) et de propriétés du bruit. Alors que la communauté astronomique se prépare au Legacy Survey of Space and Time (LSST) et à Euclid, qui découvriront des millions de galaxies diffuses, il y a un besoin urgent de méthodes robustes, automatisées et évolutives pour construire des catalogues homogènes de LSBG à travers des ensembles de données hétérogènes, sans nécessiter de réentraînement laborieux ou de réétiquetage manuel pour chaque nouvelle enquête.

Méthodologie
Les auteurs étudient l'efficacité des techniques d'adaptation de domaine pour identifier les LSBG dans la cinquième livraison de données du Kilo-Degree Survey (KiDS DR5) en utilisant des modèles entraînés exclusivement sur le Dark Energy Survey (DES).

Données d'entraînement : L'étude utilise un ensemble de données étiqueté de 37 000 objets (18 532 LSBG et 18 468 contaminants) provenant de DES DR1, identifiés par Tanoglidis et al. (2021b) et mis à jour par Thuruthipilly et al. (2024b).
Architecture du modèle : Un ensemble de trois modèles d'apprentissage profond est employé : un réseau de neurones convolutifs (CNN) et deux modèles basés sur des transformateurs (LSBG-DETR et LSBG-ViT). Ces modèles, développés à l'origine pour DES, sont réentraînés avec des entrées à deux bandes (g et r) afin de réduire les coûts de calcul tout en maintenant les performances.
Stratégie d'adaptation de domaine : Pour combler les différences de distribution entre le domaine source (DES) et le domaine cible (KiDS), les auteurs appliquent une approche d'adaptation de domaine non supervisée motivée par la physique. Cela implique :
1. La conversion des valeurs de pixels en unités physiques de brillance de surface ( $\mu$ Jy arcsec $^{-2}$ ) pour normaliser les zéros photométriques.
2. Le redimensionnement des images à une résolution commune (64 $\times$ 64 pixels) pour tenir compte des différences d'échelles de pixels tout en conservant le flux.
3. L'application de ces normalisations permet d'appliquer directement les modèles entraînés sur DES aux images KiDS sans réentraînement.
Chaîne de sélection :
1. Pré-sélection : À partir du catalogue parent KiDS DR5 ( $\sim$ 1,38 $\times$ 10 $^8$ sources), les candidats sont filtrés en fonction du rayon effectif ( $2'' < r_{eff} < 20''$ ), du rapport d'axe ( $q > 0.3$ ) et de la brillance de surface ( $\mu_{eff,r} > 23$ mag arcsec $^{-2}$ ), ainsi que de coupes de couleur.
2. Classification par apprentissage profond : L'ensemble classe les sources comme candidats LSBG si au moins un modèle attribue une probabilité $P \ge 0.5$ .
3. Ajustement structurel : Les candidats subissent un ajustement Sérsic simultané dans les bandes g, r et i utilisant galfitm pour affiner les paramètres structurels et identifier les systèmes nucléés.
4. Inspection visuelle : Une équipe de 18 co-auteurs inspecte visuellement les candidats pour éliminer les contaminants et les ajustements incorrects, garantissant une haute pureté de l'échantillon.
5. Redshift et propriétés physiques : L'échantillon final est croisé avec des relevés spectroscopiques (2dFGRS, GAMA, SDSS, DESI) et des relevés H I (ALFALFA, FAST) pour obtenir des redshifts. Pour les sources sans redshift spectroscopique, des redshifts photométriques (photo-z), des masses stellaires ( $M_*$ ) et des taux de formation d'étoiles (SFR) sont dérivés par ajustement du spectre d'énergie (SED) utilisant CIGALE.

Résultats clés

Construction du catalogue : La méthodologie identifie avec succès 20 180 LSBG et 434 galaxies ultra-diffuses (UDG) dans KiDS DR5.
Performance du modèle : L'ensemble atteint un rappel de 97 % sur l'ensemble de test DES avec un taux de contamination d'environ 6 %. La validation par rapport aux LSBG connues dans la zone de recouvrement KiDS montre un taux de réidentification de 95,1 % pour les LSBG DES et de 92,2 % pour les UDG connues, confirmant la capacité des modèles à se généraliser d'une enquête à l'autre.
Propriétés structurelles : Les KiDS-LSBG présentent des paramètres structurels (indice de Sérsic, rapport d'axe, rayon effectif) cohérents avec les LSBG de DES et de l'enquête Hyper Suprime-Cam SSP (HSC-SSP).
Relation taille-luminosité : L'étude révèle une relation continue taille-luminosité reliant les galaxies naines classiques, les LSBG et les UDG, suggérant qu'elles représentent une extension diffuse de la population des galaxies naines plutôt qu'une classe distincte.
Redshifts photométriques : L'ajustement SED produit des estimations de photo-z avec une déviation absolue médiane normalisée (NMAD) de $\sigma_{NMAD} = 0.031$ , comparable aux populations générales de galaxies KiDS. Cependant, les valeurs de photo-z sont systématiquement surestimées ( $\Delta z \simeq 0.024$ ), entraînant des décalages systématiques dans les estimations de masse stellaire et de SFR. Malgré ces biais, les décalages du taux spécifique de formation d'étoiles (sSFR) sont faibles ( $\sim$ 0,13–0,22 dex), préservant la structure de la séquence principale de formation d'étoiles.
Bimodalité des couleurs et environnement : L'échantillon LSBG montre une distribution bimodale des couleurs ( $\sim$ 73 % bleues, $\sim$ 27 % rouges). De fortes tendances environnementales sont observées : les LSBG et UDG d'amas sont plus rouges et présentent une formation d'étoiles réduite par rapport aux systèmes non-amas. Dans le bin de redshift le plus bas ( $z \le 0.03$ ), 72,7 % des LSBG d'amas sont éteintes, contre seulement 11,1 % dans les environnements non-amas. Les UDG sont plus fortement éteintes que les non-UDG dans les amas.

Signification et affirmations
L'article démontre que l'adaptation de domaine, spécifiquement par la normalisation de la brillance de surface et le redimensionnement des images, permet aux modèles d'apprentissage profond entraînés sur une enquête (DES) d'identifier efficacement les LSBG dans une enquête différente et indépendante (KiDS) sans réentraînement. Cela établit une voie évolutive et efficace sur le plan computationnel pour construire des catalogues homogènes de LSBG à travers des ensembles de données hétérogènes.

Les auteurs affirment que ce cadre est particulièrement bien adapté à la prochaine ère du LSST et d'Euclid, où le volume colossal de données rendra l'entraînement de modèles spécifiques à une enquête et l'inspection manuelle impraticables. En prouvant que l'identification inter-enquêtes est réalisable, l'étude fournit une base pour des études systématiques à grande échelle des propriétés structurelles, des populations stellaires et environnementales des galaxies diffuses à travers le temps cosmique. Le travail souligne également que, bien que les propriétés dérivées des photo-z comportent des biais systématiques, elles restent utiles pour les analyses statistiques au niveau de la population, telles que la caractérisation de la séquence principale de formation d'étoiles des LSBG.