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

Technische Samenvatting: Vergelijking en Verificatiemethoden voor het Opsporen van Interactie-gedreven Verstoringen in Sterrenstelsels

Probleemstelling
De hiërarchische vorming van kosmische structuren onder het $\Lambda$CDM-model impliceert dat fusies van sterrenstelsels frequent voorkomen, wat resulteert in laag-oppervlaktehelderheid (LSB) getijdenresten (staarten, stromen, schillen) en bredere morfologische verstoringen (asymmetrische halo's, dubbele kernen). Hoewel visuele classificatie historisch gezien de standaard was voor het identificeren van deze kenmerken, maakt het naderende datavolume van de Vera C. Rubin Observatory's Legacy Survey of Space and Time (LSST) en de Euclid-missie handmatige inspectie onhaalbaar. Er is een dringende behoefte aan robuuste geautomatiseerde tools om deze interactie-gedreven signaturen te detecteren. Bestaande geautomatiseerde methoden kampen echter met afruil: gesuperviseerd machine learning (ML) vereist vaak grote, hoogwaardige gelabelde datasets die schaars zijn voor zwakke getijdenkenmerken, terwijl traditionele niet-parametrische methoden zoals de Concentration-Asymmetry-Smoothness (CAS) parameters mogelijk een gebrek aan gevoeligheid vertonen voor diffuse structuren. Dit artikel evalueert twee geautomatiseerde benaderingen—een Self-Supervised Learning (SSL) model en de CAS-parameter methode—tegenover visuele classificatie om hun effectiviteit bij het traceren van fusie-signaturen te bepalen.

Methodologie
De studie maakt gebruik van een dataset van 1.826 mock-afbeeldingen gegenereerd uit de IllustrisTNG-100 kosmologische simulatie. Om aan te sluiten bij de verwachte diepte en resolutie van LSST-data, hebben de auteurs de mock-afbeeldingen opnieuw gegenereerd bij een mediane roodverschuiving van $z \sim 0.15$ (variërend van $0.02 < z < 0.29$), wat resulteerde in een resolutie van $0.43''$ pixel$^{-1}$ en oppervlaktehelderheidslimieten vergelijkbaar met een 10-jarige LSST-survey ($\mu_g \sim 30.3$ mag arcsec$^{-2}$).

Het evaluatiekader steunt op drie verschillende classificatiemethoden:

1. Visuele Classificatie (Benchmark): Een team heeft de opnieuw gemaakte mock-afbeeldingen visueel geclassificeerd in vier categorieën: Stromen/Staarten (Streams/Tails), Schillen (Shells), Asymmetrische Stellaire Halo's en Dubbele Kernen. Een betrouwbaarheidssysteem (0–3) werd toegepast, waarbij betrouwbaarheidsniveaus $\ge 2$ werden behandeld als de grondwaarheid voor "verstoorde" systemen.
2. Self-Supervised Learning (SSL): De auteurs evalueerden het SSL-model ontwikkeld door Desmons et al. (2024). Deze architectuur maakt gebruik van een ResNet-20 encoder getraind via Nearest Neighbour Contrastive Learning of visual Representations (NNCLR) op ongelabelde data om laag-dimensionale kenmerken te extraheren. Cruciaal is dat de auteurs de encoder niet opnieuw hebben getraind, maar in plaats daarvan alleen de lineaire classifier head hebben verfijnd met een kleine subset van de gelabelde mock-afbeeldingen (getraind op 1.440 afbeeldingen, met validatie- en testsplits). Het model werd verder getest op een gereduceerde trainingsset (480 afbeeldingen) en toegepast op een volledig ongeziene predictieset (960 afbeeldingen).
3. CAS-parameters: De traditionele Concentration-Asymmetry-Smoothness methode werd toegepast op de 5-band gecombineerde mock-afbeeldingen. De studie richtte zich op de Asymmetrie ($A$) en Smoothness ($S$) parameters, waarbij de standaard fusie-selectiecriteria van $A > 0.35$ en $A > S$ werden toegepast.

Prestaties werden gekwantificeerd met behulp van True Positive Rate (Recall/Compleetheid), False Positive Rate (Contaminatie), Precisie, F1-score en de Area Under the ROC Curve (AUC), waarbij visuele classificatie als referentiestandaard diende.

Belangrijkste Resultaten

• Visuele Classificatie Baseline: In de opnieuw gemaakte mock-afbeeldingen (die de LSST-omstandigheden simuleren), vertoonden 25,1% van de sterrenstelsels interactie-gedreven verstoringen met een hoge betrouwbaarheid ($\ge 2$). Dit is lager dan de 34,2% gevonden in de oorspronkelijke, dichterbij gelegen mock-afbeeldingen, wat het effect van afstand en resolutie op de detecteerbaarheid van zwakke LSB-structuren benadrukt. Asymmetrische halo's waren het meest voorkomende kenmerk, terwijl schillen bijna afwezig waren door de afname van de oppervlaktehelderheid.
• SSL-model Prestaties: Door alleen de lineaire classifier te hertrainen op een kleine gelabelde dataset, bereikte het SSL-model een hoge ROC AUC van $0.92 \pm 0.01$. Bij een vaste False Positive Rate (FPR) van 0,2 demonstreerde het model een hoge recall (compleetheid) van $0.86 \pm 0.04$ met een precisie van 0,56. Het model behield een robuuste prestatie, zelfs wanneer de trainingsset werd gereduceerd tot 480 unieke sterrenstelsels, wat aangeeft dat de voorgetrainde encoder effectief generaliseert naar nieuwe data met minimale gelabelde supervisie.
• CAS-methode Prestaties: Gebruikmakend van de traditionele drempelwaarde van $A > 0.35$, vertoonde de CAS-methode een hoge precisie (0,77) maar een zeer lage recall (0,20). Het identificeerde succesvol een "schone" steekproef van verstoorde systemen, maar slaagde er niet in de meerderheid van de visueel als verstoord geclassificeerde sterrenstelsels te herstellen. De methode vertoonde een zwakke correlatie met stellaire massa vergeleken met de andere methoden.
• Drempeloptimalisatie: Wanneer de CAS-asymmetriedrempel werd geoptimaliseerd via ROC-analyse om aan te sluiten bij de SSL-evaluatiecriteria (FPR = 0,2), daalde de drempel naar $A > 0.14$. Dit verbeterde de recall naar 0,59 maar verminderde de precisie naar 0,48. Ondanks deze aanpassing presteerde de CAS-methode nog steeds minder goed dan het SSL-model over alle metrieken (AUC 0,76 vs. 0,90).
• Correlatie met Stellaire Massa: Zowel de visuele classificatie als het SSL-model toonden een sterke positieve correlatie tussen stellaire massa en de waarschijnlijkheid van het identificeren van verstoorde systemen. In tegen tegenstelling hiertoe vertoonde de CAS-methode een verwaarloosbare correlatie, wat suggereert dat het minder gevoelig is voor de massafhankelijkheid van fusie-signaturen die detecteerbaar zijn in diepe beeldvorming.

Significantie en Conclusies
De paper concludeert dat de SSL-benadering, specif seguito de strategie om alleen de lineaire classifier te hertrainen op een kleine gelabelde dataset terwijl gebruik wordt gemaakt van een voorgetrainde self-supervised encoder, een zeer effectieve oplossing biedt voor de automatische detectie van verstoringen in grootschalige surveys. Het biedt een superieur evenwicht tussen compleetheid en precisie vergeleken met de traditionele CAS-methode.

Hoewel de CAS-methode nuttig blijft als een conservatief instrument voor het identificeren van hoog-betrouwbare, schone monsters van fusies, onderschat het de fractie van verstoorde sterrenstelsels aanzienlijk, met name die met zwakke, diffuse getijdenkenmerken. Het vermogen van het SSL-model om een hoge recall ($\sim 86\%$) te bereiken met een lage contaminatie maakt het beter geschikt voor het construeren van een volledige census van fusie-gerelateerde kenmerken in de komende LSST-data. De studie benadrukt dat de keuze van de detectiemethode de geobserveerde relatie tussen sterrenstelsel-eigenschappen (zoals stellaire massa) en fusieactiviteit aanzienlijk beïnvloedt, waarbij traditionele parametrische methoden potentieel een groter deel van de populatie van interagerende systemen missen.