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

Sintesi Tecnica: Segmentazione tramite Deep Learning di Bracci a Spirale e Barre per 600.000 Galassie in DESI

Enunciato del Problema
Comprendere l'evoluzione e la morfologia delle galassie di tipo disco richiede una conoscenza dettagliata delle loro strutture interne, specificamente dei bracci a spirale e delle barre. Queste caratteristiche guidano l'evoluzione secolare, influenzando la formazione stellare, la dinamica dei gas e i gradienti chimici. Sebbene i sondaggi di Spettroscopia a Campo Integrale (IFS) come MaNGA e SAMI forniscano dati spazialmente risolti, essi coprono aree di cielo limitate. Al contrario, i grandi sondaggi fotometrici come il Dark Energy Spectroscopic Instrument Legacy Survey (DESI-LS) contengono milioni di galassie ma mancano di una decomposizione strutturale automatizzata e ad alta fedeltà. I metodi di decomposizione tradizionali (ad es., GALFIT, BUDDI) sono spesso computazionalmente intensivi o richiedono una calibrazione manuale, rendendoli inadatti a cataloghi di questa entità. Inoltre, gli approcci esistenti di machine learning per la segmentazione delle galassie sono stati limitati da dimensioni delle immagini di input più piccole, target di classificazione binaria o una mancanza di applicazione all'imaging DESI.

Metodologia
Gli autori presentano "ZooBot:3D" (ZB:3D), un framework di deep learning progettato per generare mappe di segmentazione per bracci a spirale e barre attraverso l'impronta di DESI-LS.

• Dati di Addestramento: Il modello è stato addestrato su mappe di segmentazione pixel-wise derivate dal progetto di citizen science Galaxy Zoo: 3D (GZ:3D). In GZ:3D, i volontari hanno tracciato manualmente bracci a spirale e barre su immagini SDSS di 7.418 galassie MaNGA. Gli autori hanno convertito queste annotazioni poligonali in maschere "soft", dove l'intensità del pixel (0–255) rappresenta la frazione di volontari che ha racchiuso quel pixel.
• Dati di Input: A differenza dei lavori precedenti che utilizzano immagini SDSS, ZB:3D utilizza l'imaging del DESI Legacy Survey. DESI-LS offre una maggiore profondità ($r=23.9$ mag rispetto a $r=22.7$ mag per SDSS), rivelando maggiori dettagli strutturali. Le immagini vengono ricampionate a $424 \times 424$ pixel e ritagliate/zoomate a $224 \times 224$ pixel per il modello.
• Architettura del Modello: ZB:3D impiega un'architettura in stile U-Net basata su blocchi residui di tipo ResNet. Presenta una struttura encoder-decoder con connessioni skip (sia residue che di identità) per preservare l'informenza spaziale. Il modello utilizza funzioni di attivazione Mish e batch normalization, con uno strato di output finale che produce due canali (bracci a spirale e barre). L'approccio di regressione predice la frazione continua di accordo tra i volontari piuttosto che un'etichetta di classe binaria.
• Selezione del Campione: Dal campione genitore GZ:DESI di circa 8,7 milioni di galassie, gli autori hanno applicato tagli di selezione basati sulla dimensione angolare (raggio di Petrosian > 2") e sulle classificazioni morfologiche generate dalla macchina (frazione di strutture presenti/disco, frazione di galassie vista di taglio). Ciò ha prodotto un campione primario di 639.636 galassie, inclusi 512.216 con probabili bracci a spirale e 230.511 con probabili barre. Sono stati generati anche sottocampioni cross-match per MaNGA (29.006) e SAMI (5.019).
• Soglia (Thresholding): Per utilizzare le mappe di segmentazione "fuzzy" e soft, gli autori hanno investigato i metodi di soglia. Hanno scoperto che i tagli basati sui percentili (specificamente l'80° percentile della distribuzione dell'intensità all'interno del disco galattico) fornivano risultati coerenti per isolare le strutture, superando le soglie a intensità fissa.

Risultati Chiave

• Qualità della Segmentazione: Il modello produce mappe dettagliate che si allineano bene con le maschere dei volontari di GZ:3D. Nei confronti visivi, le mappe di ZB:3D sono state preferite da astronomi esperti sia rispetto alle maschere originali dei volontari che alle mappe di segmentazione SpArcFiRe di studi precedenti. Il modello identifica con successo strutture a spirale complesse, incluse variazioni nella molteplicità dei bracci e negli angoli di avvolgimento.
• Rilevamento Emergente di Anelli: Nonostante le galassie ad anello siano una componente minore dei dati di addestramento (solo 373 su 6.382 galassie di addestramento presentavano alte frazioni di anelli), il modello ha dimostrato una capacità emergente di identificare strutture ad anello. La testa di segmentazione dei bracci a spirale ha tracciato con successo sia gli anelli del disco principale che gli anelli nucleari, suggerendo una forte somiglianza morfologica tra l'etichettatura di spirali e anelli.
• Validazione Fisica:
  • Applicazione IFU: Applicato ai datacube di MaNGA, le mappe di segmentazione hanno isolato con successo le regioni di emissione $H\alpha$ potenziata nei bracci a spirale e hanno identificato "deserti di formazione stellare" nelle regioni delle barre, in linea con i noti meccanismi di evoluzione secolare.
  • Applicazione Fotometrica: L'analisi della fotometria DESI ha confermato i noti trend fisici: i pixel all'interno delle maschere dei bracci a spirale sono significativamente più blu ($g-r$) rispetto al resto del disco, indicando una formazione stellare potenziata. Al contrario, i pixel all'interno delle maschere delle barre sono più rossi rispetto al disco, il che è coerente con popolazioni stellari più vecchie nelle regioni delle barre.

Significatività e Rivendicazioni
L'articolo sostiene di fornire il primo catalogo su larga scala di mappe di segmentazione generate da macchine per bracci a spirale e barre attraverso l'impronta di DESI-LS, coprendo oltre 600.000 galassie. La significatività primaria risiede nella creazione di un prodotto di segmentazione "soft" che cattura la confidenza del modello, permettendo un'analisi sfumata delle strutture galattiche piuttosto che semplici classificazioni binarie.

Gli autori sottolineano che l'utilizzo dell'imaging più profondo di DESI-LS come input consente la rilevazione di dettagli strutturali più fini rispetto ai modelli basati su SDSS. Il dataset è reso pubblicamente disponibile, inclusi i sottocampioni incrociati per i sondaggi IFS, consentendo ai ricercatori di eseguire decomposizioni strutturali su dati fotometrici e spettroscopia IFU senza il costo computazionale dell'annotazione manuale o del fitting tradizionale. Il lavoro suggerisce che i modelli di deep learning addestrati su dati di citizen science possono generalizzare per rilevare strutture (come gli anelli) non esplicitamente enfatizzate nel set di addestramento, aprendo nuove strade per lo studio della morfologia galattica nell'era dei grandi sondaggi come Rubin, Euclid e Roman.