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

Resumo Técnico: ERGO-ML: Uma organização contínua da população de aglomerados de galáxias em raios-X no TNG-Cluster com aprendizado contrastivo

Declaração do Problema
As propriedades físicas do meio intraaglomerado (ICM) codificam assinaturas de potenciais gravitacionais, fusões e feedback de supernovas e buracos negros supermassivos (SMBHs). Tradicionalmente, os aglomerados de galáxias têm sido caracterizados usando estatísticas resumidas (por exemplo, massa do halo, luminosidade em raios-X, estado de núcleo frio) ou perfis radiais. No entanto, reduzir imagens complexas em 2D de raios-X a métricas escalares descarta conteúdo de informação significativo e introduz dispersão nas relações de escala. Além disso, inferir condições físicas a partir da emissão em raios-X é desafiador devido à complexidade dos canais de resfriamento, processos não térmicos e limitações instrumentais, como resolução espacial variável e tempos de exposição. Embora o aprendizado de máquina, especificamente Redes Neurais Convolucionais (CNNs), tenha sido aplicado para inferir massas de aglomerados, esses modelos frequentemente carecem de invariância a transformações astronômicas comuns (rotação, translação, faixa dinâmica) e não organizam naturalmente a população em um espaço contínuo e interpretável.

Metodologia
Os autores empregam Aprendizado Contrastivo de Vizinhos Mais Próximos (NNCLR) para construir um espaço de representação de baixa dimensão para mapas de emissão em raios-X de aglomerados de galáxias. O estudo utiliza a suíte TNG-Cluster, uma simulação cosmológica magnetohidrodinâmica (MHD) de 352 aglomerados de galáxias massivos ($M_{200c} \ge 10^{14.3} M_\odot$).

• Geração de Dados: Mapas de emissão intrínseca em raios-X foram gerados para 352 aglomerados em oito instantes dentro da faixa de desvio para o vermelho $0 \le z < 1$. Projeções foram tomadas ao longo de três eixos ortogonais ($\hat{x}, \hat{y}, \hat{z}$), resultando em um conjunto de dados de aproximadamente 8.000 imagens. Cada mapa cobre um campo de visão de $4R_{200c}$ com uma profundidade na linha de visada de $2R_{200c}$, normalizado de modo que o pixel do percentil 99 no centro de 10% seja definido como 1.
• Estratégia de Aumento: Para garantir que a representação aprendida seja invariante a variações observacionais, o pipeline de treinamento aplica aumentos aleatórios, incluindo:
  • Transformações geométricas: Zoom (até 10%), rotação ($\pm 90^\circ$), translação afim (até 25%) e espelhamento.
  • Efeitos fotométricos/instrumentais: Desfoque gaussiano (simulando variações da Função de Espalhamento de Ponto), ruído gaussiano e limitação de intensidade (simulando tempos de exposição variáveis e limites de brilho superficial).
• Arquitetura: As imagens aumentadas são processadas através de uma Rede Residual (ResNet) atuando como um extrator de características. A rede mapeia as entradas para um espaço de incorporação. Os autores experimentam dimensões de incorporação ($N=2$ a $256$), selecionando $N=8$ como padrão.
• Função de Perda: O algoritmo NNCLR minimiza a distância entre a incorporação de uma visão aumentada e seu vizinho mais próximo em um "conjunto de suporte" (par positivo), enquanto maximiza a distância para pares negativos (incorporações de imagens diferentes).
• Visualização e Análise: As incorporações de alta dimensão são projetadas em 2D usando Aproximação e Projeção de Variedade Uniforme (UMAP) para visualização. Os autores analisam a distribuição de propriedades físicas (massas, tempos de fusão, atividade de SMBH, indicadores de estado dinâmico) dentro deste espaço e testam a capacidade de prever essas propriedades através de ajustes lineares simples às coordenadas UMAP.

Principais Contribuições e Resultados

1. Espaço de Representação Contínuo: O método NNCLR organiza com sucesso os mapas em raios-X em uma distribuição contínua, em vez de aglomerados discretos. A visualização 2D do UMAP revela transições suaves:
   • De sistemas em fusão com componentes bem separados (topo do mapa) para objetos relaxados e isolados (base).
   • De perfis de emissão planos (base esquerda) para perfis centralmente picados (acentuados) (base direita).
   • A representação captura tendências com desvio para o vermelho, massa do halo, massa de gás/estelar/SMBH, tempo desde a última fusão majoritária e indicadores de estado dinâmico.
2. Invariância a Efeitos Observacionais: A inclusão de aumentos de limitação e desfoque garante que a representação permaneça robusta. O estudo demonstra que aglomerados com diferentes tempos de exposição ou resoluções espaciais (simulando instrumentos como Chandra vs. eROSITA) ocupam regiões semelhantes no espaço de representação se suas estruturas físicas subjacentes forem análogas.
3. Previsão de Propriedades:
   • Alta Precisão: Propriedades relacionadas à massa (massa do halo, massa estelar, massa de gás, massa de SMBH) e taxas instantâneas de acreção de buracos negros (BHAR) podem ser previstas a partir das coordenadas 2D do UMAP com erro de poucos por cento (ajuste linear).
   • Precisão Moderada: O tempo desde a última fusão majoritária é previsto dentro de uma ordem de grandeza.
   • Limitações: Indicadores de núcleo frio e o tempo desde a fusão da Galáxia do Aglomerado Mais Brilhante (BCG) não são bem previstos pela representação global. Os autores atribuem isso à resolução das imagens de treinamento, onde características em escala de núcleo ($\sim 0,01-2$ pixels) podem estar subamostradas.
4. Detecção de Análogos: O espaço de representação permite a identificação de análogos visuais. Os cinco vizinhos mais próximos de um aglomerado-alvo no espaço de incorporação compartilham propriedades físicas e estados morfológicos (por exemplo, fusão vs. relaxado) mais semelhantes do que a população geral. Este método supera buscas tradicionais baseadas apenas em parâmetros de árvore de fusão (razões de massa e parâmetros de impacto), que podem falhar em capturar a aparência visual de uma fusão devido a efeitos de projeção.

Significado e Alegações
O artigo afirma que o aprendizado contrastivo é uma ferramenta poderosa para caracterizar aglomerados de galáxias diretamente a partir de suas imagens, contornando a necessidade de estatísticas resumidas. Ao organizar a população em uma variedade contínua de baixa dimensão, o método permite:

• A derivação de restrições sobre propriedades físicas e histórias de formação usando simulações hidrodinâmicas cosmológicas.
• A identificação de correlações entre propriedades físicas que podem sugerir relações causais.
• Um framework robusto aplicável a futuros levantamentos observacionais (por exemplo, eROSITA, Athena) ao treinar em mocks que levam em conta limitações específicas dos instrumentos.

Os autores enfatizam que, embora a análise atual utilize simulações idealizadas, a metodologia foi projetada para ser transferível para observações reais, desde que os modelos sejam treinados em mocks realistas que incluam efeitos instrumentais. O trabalho serve como base para a série ERGO-ML, demonstrando que o aprendizado auto-supervisionado pode extrair informações físicas significativas de imagens astrofísicas complexas.