A Unified HI Rotation Curve Corpus for Computational Astrophysics: 438 Galaxies from SPARC, THINGS, LITTLE THINGS, and WALLABY DR2

Título: Um Corpus Unificado de Curvas de Rotação HI para Astrofísica Computacional: 438 Galáxias de SPARC, THINGS, LITTLE THINGS e WALLABY DR2

Autores: David C. Flynn (EPS Research)

1. O Problema

As curvas de rotação de galáxias são a principal evidência observacional para o problema da discrepância de massa em galáxias em disco, motivando modelos de matéria escura, teorias de gravidade modificada e correções empíricas. No entanto, apesar da importância científica, existe uma fragmentação de dados significativa:

• Os quatro principais levantamentos de hidrogênio neutro (HI) que fornecem curvas de rotação de alta qualidade — SPARC, THINGS, LITTLE THINGS e WALLABY DR2 — são distribuídos em plataformas heterogêneas.
• Eles possuem formatos incompatíveis, convenções de colunas diferentes (ex: arcsegundos vs. kiloparsecs, definições variadas de velocidade) e falta de um esquema comum.
• Essa desorganização cria barreiras para análises computacionais reprodutíveis, meta-análises estatísticas e, crucialmente, para pipelines emergentes baseados em Inteligência Artificial (LLMs) e Geração Aumentada por Recuperação (RAG), que exigem dados estruturados e auto-descritivos.

2. Metodologia

O autor desenvolveu e publicou o Corpus Unificado de Curvas de Rotação HI de Galáxias (versão 7.0), integrando dados de quatro grandes levantamentos em um único esquema estruturado.

• Fontes de Dados:
  • SPARC: 175 galáxias com decomposição bariônica completa.
  • THINGS: 34 entradas (19 com dados de curva de rotação, 15 apenas com metadados cinemáticos).
  • LITTLE THINGS: 26 galáxias anãs irregulares.
  • WALLABY DR2: 203 galáxias processadas por pipeline automatizado (3DBarolo/FAT).
• Processamento e Unificação:
  • Ingestão e Verificação: Os dados foram digitalizados e verificados contra tabelas primárias escaneadas dos artigos originais. Um erro de conversão de unidades (fator de 1000 em arcsegundos para kpc) foi detectado e corrigido durante este processo.
  • Sistema de Qualidade de Dois Níveis (Tier):
    • Tier 1 (Curvas Manualmente Curadas): SPARC, THINGS e LITTLE THINGS. Incluem incertezas ponto a ponto e, no caso do SPARC, componentes bariônicos completos.
    • Tier 2 (Produtos de Pipeline Automatizado): WALLABY DR2. Inclui dados processados automaticamente sem incertezas por anel ou decomposição bariônica.
  • Padronização de Unidades: Todos os raios foram convertidos para kiloparsecs (kpc) e todas as velocidades para km/s.
• Formatos de Distribuição:
  • JSON Principal: Um único arquivo estruturado (~2.0 MB) contendo 8.963 medições de raios resolvidos espacialmente em 423 galáxias (438 entradas no total).
  • CSV Plano: Uma tabela de 438 linhas para filtragem rápida em nível de catálogo.
  • Arquivo ZIP por Galáxia: 438 arquivos JSON individuais, otimizados para ingestão em sistemas RAG (onde cada galáxia é um documento de recuperação único).

3. Principais Contribuições

• Corpus Unificado: A primeira coleção que integra dados de SPARC, THINGS, LITTLE THINGS e WALLABY em um único esquema de dados, eliminando a necessidade de reconciliação manual de unidades e formatos.
• Otimização para LLM/RAG: O corpus foi projetado especificamente para ser consumido por Grandes Modelos de Linguagem (LLMs). Os arquivos JSON individuais são auto-descritivos, contendo metadados e dados cinemáticos completos, permitindo que LLMs gerem código de análise (ex: plotar curvas, calcular modelos bariônicos) sem documentação externa.
• Validação com LLMs: O autor testou quatro modelos (Gemini Pro, Claude, AstroSage-Llama-3.1-70B e Copilot Pro) usando o corpus. Todos conseguiram gerar scripts Python sintaticamente corretos para tarefas complexas (plotagem, quadratura bariônica, correção omega) apenas com perguntas em linguagem natural, demonstrando a eficácia do esquema de dados.
• Acesso Aberto: Disponibilizado no Zenodo sob licença CC BY 4.0.

4. Resultados e Exemplos de Uso

O artigo demonstra a utilidade do corpus através de três exemplos práticos, todos executáveis em menos de 15 linhas de Python:

1. Análise Bariônica Multi-componente (SPARC): Extração direta de curvas observadas, bariônicas (com correção de sinal) e corrigidas por rotação angular ($\omega$) para a galáxia DDO 161, visualizando a discrepância de massa.
2. Curva de Rotação com Zona de Cuidado (WALLABY): Plotagem de uma galáxia Tier 2, destacando automaticamente a zona de "beam-smearing" (velocidades < 50 km/s) e exibindo metadados extraídos diretamente do JSON.
3. Exploração do Espaço de Parâmetros: Visualização da distribuição de velocidades de pico e raios máximos através de todos os quatro levantamentos, mostrando a cobertura do corpus desde galáxias anãs (3 kpc) até espirais massivas (100 kpc).

5. Significância e Limitações

• Significância: Este trabalho remove uma barreira crítica para a astrofísica computacional moderna, permitindo que pesquisadores e pipelines de IA acessem, comparem e analisem dados de curvas de rotação de forma unificada. É um passo fundamental para a automação de descobertas científicas e para o uso de IA generativa na pesquisa astronômica.
• Limitações Conhecidas:
  1. 15 galáxias do THINGS não possuem dados ponto a ponto (apenas metadados).
  2. As entradas do SPARC não incluem coordenadas (RA/Dec) ou velocidades sistêmicas no próprio corpus (devem ser buscadas em bancos externos como NED/SIMBAD).
  3. Os dados do WALLABY não possuem incertezas por anel e são menos confiáveis abaixo de 50 km/s devido à resolução do feixe.
  4. O esquema JSON não é totalmente harmonizado entre os levantamentos (chaves diferentes para dados de anel), refletindo diferenças observacionais reais.
  5. A precisão decimal pode exceder a precisão instrumental em alguns casos derivados, exigindo arredondamento pelo usuário para análises de propagação de incerteza rigorosas.

Em suma, o corpus representa uma infraestrutura de dados essencial para a próxima geração de análises astrofísicas, especialmente aquelas que integram métodos computacionais tradicionais com inteligência artificial.