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

Resumo Técnico: Comparação e Métodos de Verificação para Rastrear Perturbações Impulsionadas por Interações em Galáxias

Definição do Problema
A formação hierárquica de estruturas cosmológicas sob o modelo $\Lambda$CDM implica que fusões de galáxias são frequentes, produzindo detritos de maré de baixa luminosidade superficial (caudas, fluxos, conchas) e perturbações morfológicas mais amplas (halos assimétricos, núcleos duplos). Embora a classificação visual tenha sido historicamente o padrão para identificar essas características, o volume iminente de dados do Observatório Vera C. Rubin (Legacy Survey of Space and Time - LSST) e da missão Euclid torna a inspeção manual inviável. Há uma necessidade urgente de ferramentas automatizadas robustas para detectar essas assinaturas impulsionadas por interações. No entanto, os métodos automatizados existentes enfrentam compensações (trade-offs): o aprendizado de máquina (ML) supervisionado frequentemente requer conjuntos de dados rotulados grandes e de alta qualidade, que são escassos para características de maré tênues, enquanto os métodos não paramétricos tradicionais, como os parâmetros de Concentração-Assimetria-Suavidade (CAS), podem carecer de sensibilidade a estruturas difusas. Este artigo avalia duas abordagens automatizadas — um modelo de Aprendizado Autossupervisionado (SSL) e o método de parâmetros CAS — contra a classificação visual para determinar sua eficácia em rastrear assinaturas de fusão.

Metodologia
O estudo utiliza um conjunto de dados de 1.826 imagens fictícias (mock images) geradas a partir da simulação cosmológica IllustrisTNG-100. Para alinhar-se com a profundidade e resolução esperadas dos dados do LSST, os autores regeraram as imagens fictícias em um desvio para o vermelho mediano de $z \sim 0,15$ (abrangendo $0,02 < z < 0,29$), resultando em uma resolução de $0,43''$ pixel$^{-1}$ e limites de luminosidade superficial comparáveis a um levantamento de 10 anos do LSST ($\mu_g \sim 30,3$ mag arcsec$^{-2}$).

O arcabouço de avaliação baseia-se em três métodos de classificação distintos:

1. Classificação Visual (Referência): Uma equipe classificou visualmente as imagens fictícias refeitas em quatro categorias: Fluxos/Caudas (Streams/Tails), Conchas (Shells), Halos Estelares Assimétricos e Núcleos Duplos. Um sistema de confiança (0–3) foi aplicado, onde níveis de confiança $\ge 2$ foram tratados como o ground truth para sistemas "perturbados".
2. Aprendizado Autossupervisionado (SSL): Os autores avaliaram o modelo SSL desenvolvido por Desmons et al. (2024). Esta arquitetura emprega um codificador ResNet-20 treinado via Aprendizado de Representação de Vizinho Próximo Contrastivo (NNCLR) em dados não rotulados para extrair características de baixa dimensão. Crucialmente, os autores não retreinaram o codificador; em vez disso, realizaram o ajuste fino (fine-tuning) apenas do cabeçalho do classificador linear usando um pequeno subconjunto das imagens rotuladas (treinando em 1.440 imagens, com divisões de validação e teste). O modelo foi testado adicionalmente em um conjunto de treinamento reduzido (480 imagens) e aplicado a um conjunto de predição completamente inédito (960 imagens).
3. Parâmetros CAS: O método tradicional de Concentração-Assimetria-Suavidade foi aplicado às imagens combinadas de 5 bandas. O estudo focou nos parâmetros de Assimetria ($A$) e Suavidade ($S$), aplicando os critérios padrão de seleção de fusão de $A > 0,35$ e $A > S$.

O desempenho foi quantificado usando Taxa de Verdadeiros Positivos (Recall/Completude), Taxa de Falsos Positivos (Contaminação), Precisão, Pontuação F1 e Área Sob a Curva ROC (AUC), utilizando a classificação visual como o padrão de referência.

Resultados Principais

• Linha de Base da Classificação Visual: Nas imagens fictícias refeitas (simulando condições do LSST), 25,1% das galáxias exibiram perturbações impulsionadas por interações com alta confiança ($\ge 2$). Este valor é inferior aos 34,2% encontrados nas imagens originais mais próximas, destacando o impacto da distância e da resolução na detectabilidade de estruturas de baixa luminosidade superficial (LSB) tênues. Halos assimétricos foram a assinatura mais comum, enquanto as conchas foram quase ausentes devido ao enfraquecimento da luminosidade superficial (surface brightness dimming).
• Desempenho do Modelo SSL: Ao retreinar apenas o classificador linear em um pequeno conjunto de dados rotulados, o modelo SSL alcançou um alto ROC AUC de $0,92 \pm 0,01$. Em uma Taxa de Falsos Positivos (FPR) fixa de 0,2, o modelo demonstrou alta recuperação (completude) de $0,86 \pm 0,04$ com uma precisão de 0,56. O modelo manteve um desempenho robusto mesmo quando o conjunto de treinamento foi reduzido para 480 galáxias únicas, indicando que o codificador pré-treinado generaliza efetivamente para novos dados com supervisão rotulada mínima.
• Desempenho do Método CAS: Usando o limiar tradicional de $A > 0,35$, o método CAS exibiu alta precisão (0,77), mas uma completude muito baixa (0,20). Ele identificou com sucesso uma amostra "limpa" de sistemas perturbados, mas falhou em recuperar a maioria das galáxias visualmente classificadas como perturbadas. O método mostrou uma correlação fraca com a massa estelar em comparação com os outros métodos.
• Otimização de Limiar: Quando o limiar de assimetria do CAS foi otimizado via análise ROC para corresponder aos critérios de avaliação do SSL (FPR = 0,2), o limiar baixou para $A > 0,14$. Isso melhorou a completude para 0,59, mas reduziu a precisão para 0,48. Apesar desse ajuste, o método CAS ainda subperformou o modelo SSL em todas as métricas (AUC 0,76 vs. 0,90).
• Correlação com Massa Estelar: Tanto a classificação visual quanto o modelo SSL revelaram uma forte correlação positiva entre a massa estelar e a probabilidade de identificar sistemas perturbados. Em contraste, o método CAS mostrou uma correlação negligenciável, sugerindo que é menos sensível às tendências dependentes da massa nas assinaturas de fusão detectáveis em imagens profundas.

Significância e Conclusões
O artigo conclui que a abordagem SSL, especificamente a estratégia de retreinar apenas o classificador linear em um pequeno conjunto de dados rotulados enquanto se aproveita um codificador autossupervisionado pré-treinado, oferece uma solução altamente eficaz para a detecção automatizada de perturbações em grandes levantamentos. Ela proporciona um equilíbrio superior de completude e precisão em comparação com o método CAS tradicional.

Embora o método CAS permaneça útil como uma ferramenta conservadora para identificar amostras de fusões de alta confiança e limpas, ele subestima significativamente a fração de galáxias perturbadas, particularmente aquelas com características de maré tênues e difusas. A capacidade do modelo SSL de alcançar alta completude ($\sim 86\%$) com baixa contaminação torna-o mais adequado para construir um censo completo de características relacionadas a fusões nos próximos dados do LSST. O estudo enfatiza que a escolha do método de detecção influencia significativamente a relação observada entre as propriedades das galáxias (como a massa estelar) e a atividade de fusão, com métodos paramétricos tradicionais potencialmente perdendo a população mais ampla de sistemas interagentes.