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

技術要約：S¯utra – フィラメントの同定と特性評価のための統合フレームワーク

問題提起
遠赤外（FIR）およびサブミリ波波長における星間物質（ISM）の観測は、分子雲がフィラメント状の構造によって支配されていることを明らかにしている。これらの構造は星形成のゆりかごとして機能している。Herschel Gould Belt Survey (HGBS) のような高感度サーベイは、これらフィラメントの普遍性を確立してきたが、その堅牢な同定と特性評価は依然として困難な課題である。既存の手法は、大きく分けて2つのカテゴリーに分類される。一つは、ヘッセ行列に基づく手法などの局所的なアプローチであり、これは広範なダイナミックレンジにわたる、かすかな低コントラストのフィラメントの扱いに苦慮する。もう一つは、マルチスケール分解に基づくグローバルなアプローチであり、計算負荷が高い。さらに、現在のツールはフィラメントの同定と物理的特性評価を、逐次的かつ分離されたステップとして扱うことが多い。この分離に加え、アルゴリズム間でフィラメントの定義が異なることは、一貫性のない結果を招き、大規模な統計解析に適した、バイアスのないパラメータフリーな同定を妨げる要因となっている。

手法
本論文では、フィラメントの同定とビームスケールの物理的特性評価を単一の自動化されたパイプラインへと統合する、機械学習ベースのフレームワークである S¯utra を導入する。この手法は、以下の4つの統合されたタスクで構成される：

1. 学習ラベルの構築： 単一のアルゴリズムの出力に依存するのではなく、S¯utraは、DisPerSE（トポロジカルな永続性を通じて強度リッジを追跡する）と getsf（グローバルなマルチスケール抽出を行う）という、2つの補完的な手法によって生成されたスケルトンの和集合を取ることで、学習ラベルを構築する。この「コンセンサス・スケルトン（dis:gsf）」は、単一のアルゴリズムに固有のバイアスを低減し、低コントラストの構造も包含する。
2. クレスト検出のためのU-Netアーキテクチャ： 本フレームワークは、カラム密度（CD）マップを用いて訓練されたU-Netアーキテクチャを採用している。バイナリマスクによるフィラメント内部のセグメンテーションを行う従来のモデルとは異なり、S¯utraはクレスト尤度マップ（$P_{crest}$）を予測するように訓練される。ターゲットとなるラベルは単一ピクセル幅のスケルトンであり、これによりネットワークは、広範な強度のセグメンテーションではなく、リッジの局在化（中心線の検出）を学習することを強制される。
3. 前処理と推論戦略： 様々なマップサイズを扱うため、大規模なCDマップは重なりを持つチャンク（例：$64 \times 64$ ピクセル）に分割される。これらのチャンクには、グローバルな背景フィルタリング、局所的な正規化、およびコントラスト強調（arctan平坦化操作による）が施される。推論時には、境界の不連続性を緩和するために、高いオーバーラップ率（95%のオーバーラップ）を用いたタイリング戦略が使用され、予測された確率は平均化されて滑らかなフルマップのクレスト尤度が生成される。
4. 物理ガイド付き精緻化： 生の出力は、閾値処理と中間軸変換（medial-axis transformation）を経てバイナリ・スケルトンへと変換される。極めて重要な点は、このスケルトンが最終生成物ではないことである。S¯utraはスケルトンをビームサイズのセグメントに細分化し、クレストに対して垂直方向の径方向プロファイル抽出を行う。各セグメントはPlummer型のプロファイルでフィッティングされる。物理的基準（例：適合品質の低さや円筒構造の欠如）を満たさないセグメントは排除される。検証されたセグメントは、最小全域木（MST）アルゴリズムを用いて再結合される。このステップにより、最終的なカタログには、物理的なフィラメントモデルと一致する構造のみが含まれることが保証される。

主な貢献

• 統合フレームワーク： S¯utraは、教師ありセグメンテーションとビームレベルの物理的特性評価を、単一のパラメータが少ないパイプラインに統合した初めてのツールである。
• クレスト中心の学習： 強度マスクではなく単一ピクセルのスケルトンを用いて訓練することで、モデルはフィラメントの脊椎（spine）に焦点を当て、従来の閾値処理では検出できない低コントラスト環境での構造検出を可能にする。
• コンセンサス学習： 真理値（ground truth）としてDisPerSEとgetsfの和を用いることで、より包括的でバイアスの少ない学習セットを作成している。
• 物理的フィルタリング： 径方向プロファイルのフィッティングをフィルタリング基準として統合することで、フィラメント抽出を純粋な画像処理問題から、物理的にガイドされた手順へと変容させ、円筒プロファイルを示さない偽の検出を排除している。

結果
本フレームワークは、HGBSサーベイから得られた5つの近傍分子雲（Ophiuchus, Polaris, Aquila, Orion-B, IC-5146）を用いて訓練され、Aquila、Orion、Polarisの選択されたカットアウトを用いて検証された。

• 検出能力： S¯utraは、DisPerSEやgetsfと比較して、有意に多くの総フィラメント長および面積を一貫して特定している。Aquila領域において、S¯utraは72.5 pcのフィラメントを特定したが、これはDisPerSEの30.8 pc、getsfの23.3 pcを上回っている。
• 微弱な構造への感度： S¯utraは、他の手法が見逃してしまうような、より低い強度および低いコントラスト（$C < 0.3$）のフィラメントを検出する。これは、拡散したフィラメントが存在する静穏な領域であるPolaris雲において特に顕著である。
• 物理的一貫性： より広範なフィラメント集団を検出しているにもかかわらず、S¯すらによって導出された固有の性質（具体的には、フィラメント幅 $2 \times R_{flat} \approx 0.1$ pc およびPlummer $p$ 指数 $\sim 2$）は、DisPerSEやgetsfによって導出されたものと統計的に一致している。
• 新規検出の検証： 「新しい」フィラメント（訓練時のdis:gsfスケルトンには存在しないもの）は、Plummerフィッティングにかけられた。それらは平均簡約$\chi^2$値1.81を示し、既知のフィラメント集団と一致する物理パラメータを得た。これは、それらがアーティファクトではなく、真正な構造であることを裏付けている。
• 堅牢性： 様々な背景乱流（分数ブラウン運動）を含む合成データを用いた制御テストにより、S¯すらのクレスト尤度マップは安定している一方で、ヘッセ行列に基づく手法は背景の増幅に対して敏感であることが示された。

意義と主張
著者らは、S¯utraが、星間物質フィラメントの系統的な調査のための、堅牢でパラメータフリー、かつ計算効率の高いアプローチを提供すると主張している。円筒プロファイルと一致するフィラメント構造を低コントラスト環境下でも回収できることから、S¯すらは、領域特有の研究と大規模な統計解析の両方に適している。

本フレームワークは、グローバルな中央値に頼ることなく、フィラメント軸に沿ったビーム解像度でのフィラメント特性（線質量密度や幅など）の研究を可能にする。この能力により、断片化、安定性、およびフィラメントがハブ・フィラメント系へと接近する際の進化の研究が可能となる。論文は、S¯すらは現在CDマップに対して動作しているものの、そのモジュール設計により、重力安定性と力学を研究するための分光データや磁場データとの将来的な統合が可能であることを強調している。このツールは、再現性とコミュニティによる拡張を支援するために、Pythonパッケージおよびオンラインポータルとして公開されている。