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

Sintesi Tecnica: Confronto e Metodi di Verifica per Tracciare le Perturbazioni Indotte dalle Interazioni nelle Galassie

Definizione del Problema
La formazione gerarchica delle strutture cosmologiche secondo il modello $\Lambda$CDM implica che le fusioni galattiche siano frequenti, producendo detriti mareali a bassa luminosità superficiale (code, flussi, gusci/shells) e perturbazioni morfologiche più ampie (aloni asimmetrici, doppi nuclei). Sebbene la classificazione visiva sia stata storicamente lo standard per l'identificazione di queste caratteristiche, il volume imminente di dati della missione Legacy Survey of Space and Time (LSST) dell'Osservatorio Vera C. Rubin e della missione Euclid rende impossibile l'ispezione manuale. Esiste un urgente bisogno di strumenti automatizzati robusti per rilevare queste firme indotte dalle interazioni. Tuttavia, i metodi automatizzati esistenti affrontano dei compromessi: l'apprendimento automatico supervisionato (ML) richiede spesso grandi dataset etichettati di alta qualità, che sono scarsi per quanto riguarda le deboli caratteristiche mareali, mentre i metodi non parametrici tradizionali come i parametri di Concentrazione-Asimmetria-Smoothness (CAS) possono mancare di sensibilità verso le strutture diffuse. Questo articolo valuta due approcci automatizzati — un modello di Apprendimento Auto-Supervisionato (SSL) e il metodo dei parametri CAS — rispetto alla classificazione visiva per determinare la loro efficacia nel tracciare le firme di fusione.

Metodologia
Lo studio utilizza un dataset di 1.826 immagini mock generate dalla simulazione cosmologica IllustrisTNG-100. Per allinearsi alla profondità e alla risoluzione attese dei dati LSST, gli autori hanno rigenerato le immagini mock a un redshift mediano di $z \sim 0.15$ (compreso tra $0.02 < z < 0.29$), ottenendo una risoluzione di $0.43''$ pixel$^{-1}$ e limiti di luminosità superficiale paragonabili a un sondaggio LSST decennale ($\mu_g \sim 30.3$ mag arcsec$^{-2}$).

Il quadro di valutazione si basa su tre distinti metodi di classificazione:

1. Classificazione Visiva (Benchmark): Un team ha classificato visivamente le immagini mock rigenerate in quattro categorie: Flussi/Code (Streams/Tails), Gusci (Shells), Aloni Stellari Asimmetrici e Doppi Nuclei. È stato applicato un sistema di confidenza (0–3), dove i livelli di confidenza $\ge 2$ sono stati trattati come la verità fondamentale (ground truth) per i sistemi "perturbati".
2. Apprendimento Auto-Supervisionato (SSL): Gli autori hanno valutato il modello SSL sviluppato da Desmons et al. (2024). Questa architettura impiega un encoder ResNet-20 addestrato tramite l'apprendimento contrastivo del vicino più prossimo (Nearest Neighbour Contrastive Learning of Visual Representations - NNCLR) su dati non etichettati per estrarre caratteristiche a bassa dimensionalità. Fondamentalmente, gli autori non hanno riaddestrato l'encoder; invece, hanno perfezionato (fine-tuning) solo la testa del classificatore lineare utilizzando un piccolo sottoinsieme delle immagini mock etichettate (addestramento su 1.440 immagini, con divisioni di validazione e test). Il modello è stato ulteriormente testato su un set di addestramento ridotto (480 immagini) ed applicato a un set di predizione completamente inedito (960 immagini).
3. Parametri CAS: Il metodo tradizionale Concentration-Asymmetry-Smoothness è stato applicato alle immagini mock a 5 bande combinate. Lo studio si è concentrato sui parametri di Asimmetria ($A$) e Smoothness ($S$), applicando i criteri standard di selezione per le fusioni di $A > 0.35$ e $A > S$.

Le prestazioni sono state quantificate utilizzando il Tasso di Veri Positivi (Recall/Completezza), il Tasso di Falsi Positivi (Contaminazione), la Precisione e il punteggio F1, nonché l'Area Sotto la Curva ROC (AUC), con la classificazione visiva che funge da standard di riferimento.

Risultati Chiave

• Baseline della Classificazione Visiva: Nelle immagini mock rigenerate (che simulano le condizioni LSST), il 25,1% delle galassie presentava perturbazioni indotte da interazioni con alta confidenza ($\ge 2$). Questo valore è inferiore al 34,2% riscontrato nelle immagini mock originali più vicine, evidenziando l'impatto della distanza e della risoluzione sulla rilevabilità delle deboli strutture LSB. Gli aloni asimmetrici sono stati la firma più comune, mentre i gusci (shells) sono stati quasi assenti a causa dello smorzamento della luminosità superficiale.
• Prestazioni del Modello SSL: Riaddestrando solo il classificatore lineare su un piccolo dataset etichettato, il modello SSL ha raggiunto un elevato ROC AUC di $0.92 \pm 0.01$. A un tasso di falsi positivi (FPR) fisso di 0.2, il modello ha dimostrato un'alta recall (completezza) di $0.86 \pm 0.04$ con una precisione di 0.56. Il modello ha mantenuto prestazioni robuste anche quando il set di addestramento è stato ridotto a 480 galassie uniche, indicando che l'encoder pre-addestrato generalizza efficacemente a nuovi dati con una minima supervisione etichettata.
• Prestazioni del Metodo CAS: Utilizzando la soglia tradizionale di $A > 0.35$, il metodo CAS ha mostrato un'alta precisione (0.77) ma una recall molto bassa (0.20). Ha identificato con successo un campione "pulito" di sistemi perturbati, ma non è riuscito a recuperare la maggior parte delle galassie visivamente classificate come perturbate. Il metodo ha mostrato una debole correlazione con la massa stellare rispetto agli altri metodi.
• Ottimizzazione della Soglia: Quando la soglia di asimmetria CAS è stata ottimizzata tramite analisi ROC per corrispondere ai criteri di valutazione SSL (FPR = 0.2), la soglia è scesa a $A > 0.14$. Ciò ha migliorato la recall a 0.59 ma ha ridotto la precisione a 0.48. Nonostante questo aggiustamento, il metodo CAS è rimasto comunque inferiore al modello SSL in tutti i parametri (AUC 0.76 vs. 0.90).
• Correlazione con la Massa Stellare: Sia la classificazione visiva che il modello SSL hanno rivelato una forte correlazione positiva tra la massa stellare e la probabilità di identificare sistemi perturbati. Al contrario, il metodo CAS ha mostrato una correlazione trascurabile, suggerendo che sia meno sensibile ai trend dipendenti dalla massa nelle firme di fusione rilevabili in imaging profondi.

Significatività e Conclusioni
L'articolo conclude che l'approccio SSL, specificamente la strategia di riaddestrare solo il classificatore lineare su un piccolo dataset etichettato sfruttando un encoder auto-supervisionato pre-addestrato, offre una soluzione altamente efficace per il rilevamento automatizzato delle perturbazioni in grandi survey. Esso fornisce un equilibrio superiore tra completezza e precisione rispetto al tradizionale metodo CAS.

Sebbene il metodo CAS rimanga utile come strumento conservativo per identificare campioni di fusioni ad alta confidenza e "puliti", esso sottostima significativamente la frazione di galassie perturbate, in particolare quelle con deboli e diffuse caratteristiche mareali. La capacità del modello SSL di raggiungere un'alta recall ($\sim 86\%$) con una bassa contaminazione lo rende più adatto per costruire un censimento completo delle caratteristiche legate alle fusioni nei futi dati LSST. Lo studio sottolinea che la scelta del metodo di rilevamento influenza significativamente la relazione osservata tra le proprietà delle galassie (come la massa stellare) e l'attività di fusione, con i metodi parametrici tradizionali che potrebbero perdere la popolazione più ampia di sistemi in interazione.