ERGO-ML: A continuous organization of the X-ray galaxy cluster population in TNG-Cluster with contrastive learning

Technische Samenvatting: ERGO-ML: Een continue organisatie van de populatie van X-ray sterrenstelselclusters in TNG-Cluster met contrastief leren

Probleemstelling
De fysieke eigenschappen van het intraclustermedium (ICM) coderen handtekeningen van zwaartekrachtspotentialen, samensmeltingen en feedback van supernova's en superzware zwarte gaten (SMBH's). Traditioneel worden sterrenstelselclusters gekarakteriseerd aan de hand van samenvattende statistieken (bijvoorbeeld halo-massa, X-ray luminositeit, koel-kernstatus) of radiale profielen. Het reduceren van complexe 2D X-ray beelden tot scalare metrieken leidt echter tot het verlies van aanzienlijke informatie-inhoud en introduceert spreiding in schaalrelaties. Bovendien is het afleiden van fysische condities uit X-ray emissie uitdagend vanwege de complexiteit van koelkanalen, niet-thermische processen en instrumentele beperkingen zoals variërende ruimtelijke resolutie en blootstellingstijden. Hoewel machine learning, specifiek Convolutional Neural Networks (CNN's), is toegepast om clustermassa's af te leiden, missen deze modellen vaak invariantie ten opzichte van veelvoorkomende astronomische transformaties (rotatie, translatie, dynamisch bereik) en organiseren ze de populatie niet op natuurlijke wijze in een continue, interpreteerbare ruimte.

Methodologie
De auteurs maken gebruik van Nearest Neighbour Contrastive Learning (NNCLR) om een laagdimensionale representatieruimte te construeren voor X-ray emissiekaarten van sterrenstelselclusters. De studie maakt gebruik van de TNG-Cluster-suite, een kosmologische magnetohydrodynamische (MHD) simulatie van 352 massieve sterrenstelselclusters ($M_{200c} \ge 10^{14.3} M_\odot$).

• Datageneratie: Intrinsieke X-ray emissiekaarten werden gegenereerd voor 352 clusters op acht tijdstippen binnen het roodverschuivingsbereik $0 \le z < 1$. Projecties werden gemaakt langs drie orthogonale assen ($\hat{x}, \hat{y}, \hat{z}$), wat resulteerde in een dataset van ongeveer 8.000 beelden. Elke kaart beslaat een gezichtsveld van $4R_{200c}$ met een diepte langs de gezichtslijn van $2R_{200c}$, genormaliseerd zodat de 99e percentiel-pixel in het centrale 10% op 1 wordt ingesteld.
• Augmentatiestrategie: Om ervoor te zorgen dat de geleerde representatie invariant is ten opzichte van observationele variaties, past de trainingspijplijn willekeurige augmentaties toe, waaronder:
  • Geometrische transformaties: Zoom (tot 10%), rotatie ($\pm 90^\circ$), affiene translatie (tot 25%) en spiegeling.
  • Fotometrische/instrumentele effecten: Gaussische vervaging (simulatie van variaties in de Point Spread Function), Gaussisch ruis en intensiteitsclipping (simulatie van variërende blootstellingstijden en oppervlaktehelderheidslimieten).
• Architectuur: De geaugmenteerde beelden worden verwerkt via een Residual Network (ResNet) dat fungeert als feature-extractor. Het netwerk mapt invoer af op een embedding-ruimte. De auteurs experimenteren met embedding-dimensies ($N=2$ tot $256$) en kiezen $N=8$ als standaard.
• Verliesfunctie: Het NNCLR-algoritme minimaliseert de afstand tussen de embedding van een geaugmenteerde weergave en zijn naaste buur in een "support set" (positief paar), terwijl het de afstand maximaliseert naar negatieve paren (embeddings van verschillende beelden).
• Visualisatie en Analyse: De hoogdimensionale embeddings worden geprojecteerd naar 2D met behulp van Uniform Manifold Approximation and Projection (UMAP) voor visualisatie. De auteurs analyseren de verdeling van fysieke eigenschappen (massa's, samensmeltingstijden, SMBH-activiteit, indicatoren voor dynamische toestand) binnen deze ruimte en testen de mogelijkheid om deze eigenschappen te voorspellen via eenvoudige lineaire fits op de UMAP-coördinaten.

Belangrijkste Bijdragen en Resultaten

1. Continue Representatieruimte: De NNCLR-methode organiseert de X-ray kaarten succesvol in een continue verdeling in plaats van discrete clusters. De 2D UMAP-visualisatie onthult gladde overgangen:
   • Van samensmeltende systemen met goed gescheiden componenten (bovenaan de kaart) naar ontspannen, geïsoleerde objecten (onderaan).
   • Van vlakke emissieprofielen (linksonder) naar centraal gepiekte (cuspy) profielen (rechtsonder).
   • De representatie vangt trends op met roodverschuiving, halo-massa, gas/stellair/SMBH-massa, tijd sinds de laatste grote samensmelting en indicatoren voor dynamische toestand.
2. Invariantie ten opzichte van Observationele Effecten: De opname van clipping- en vervagingsaugmentaties zorgt ervoor dat de representatie robuust blijft. De studie toont aan dat clusters met verschillende blootstellingstijden of ruimtelijke resoluties (simulatie van instrumenten zoals Chandra versus eROSITA) vergelijkbare gebieden in de representatieruimte bezetten als hun onderliggende fysische structuren analoog zijn.
3. Eigenschapsvoorspelling:
   • Hoge Nauwkeurigheid: Massa-gerelateerde eigenschappen (halo-massa, stellair massa, gasmassa, SMBH-massa) en instantane zwarte-gaten-accretiesnelheden (BHAR) kunnen met een foutmarge van enkele procenten worden voorspeld vanuit de 2D UMAP-coördinaten (lineaire fit).
   • Matige Nauwkeurigheid: De tijd sinds de laatste grote samensmelting wordt voorspeld binnen een orde van grootte.
   • Beperkingen: Koel-kernindicatoren en de tijd sinds de samensmelting van de Brightest Cluster Galaxy (BCG) worden niet goed voorspeld door de globale representatie. De auteurs schrijven dit toe aan de resolutie van de trainingsbeelden, waarbij kernschaal kenmerken ($\sim 0,01-2$ pixels) mogelijk onder-gesampled zijn.
4. Analoog Detectie: De representatieruimte maakt de identificatie van visuele analogen mogelijk. De vijf naaste buren van een doelcluster in de embedding-ruimte delen meer vergelijkbare fysieke eigenschappen en morfologische toestanden (bijvoorbeeld samensmeltend versus ontspannen) dan de algemene populatie. Deze methode presteert beter dan traditionele zoekopdrachten die uitsluitend gebaseerd zijn op parameters van samensmeltbomen (massaverhoudingen en impactparameters), die kunnen falen in het vastleggen van het visuele uiterlijk van een samensmelting vanwege projectie-effecten.

Betekenis en Beweringen
Het artikel beweert dat contrastief leren een krachtig hulpmiddel is voor het karakteriseren van sterrenstelselclusters rechtstreeks vanuit hun beelden, waarbij de behoefte aan samenvattende statistieken wordt omzeild. Door de populatie te organiseren in een continue, laagdimensionale variëteit, maakt de methode het mogelijk om:

• Afdwingingen op fysieke eigenschappen en vormingsgeschiedenissen af te leiden met behulp van kosmologische hydrodynamische simulaties.
• Correlaties tussen fysieke eigenschappen te identificeren die causale relaties kunnen suggereren.
• Een robuust raamwerk toe te passen op toekomstige observationele surveys (bijvoorbeeld eROSITA, Athena) door te trainen op mocks die rekening houden met instrument-specifieke beperkingen.

De auteurs benadrukken dat hoewel de huidige analyse geïdealiseerde simulaties gebruikt, de methodologie is ontworpen om overdraagbaar te zijn naar echte waarnemingen, mits modellen worden getraind op realistische mocks die instrumentele effecten bevatten. Het werk dient als fundament voor de ERGO-ML-serie en toont aan dat zelftoezichtend leren zinvolle fysieke informatie kan extraheren uit complexe astrofysische beelden.