Deep Learning Segmentation of Spiral Arms and Bars for 600,000 Galaxies in DESI

Resumo Técnico: Segmentação por Aprendizado Profundo de Braços Espirais e Barras para 600.000 Galáxias no DESI

Definição do Problema
Compreender a evolução e a morfologia de galáxias do tipo disco requer o conhecimento detalhado de suas estruturas internas, especificamente braços espirais e barras. Essas características impulsionam a evolução secular, influenciando a formação estelar, a dinâmica do gás e os gradientes químicos. Embora levantamentos de Espectroscopia de Campo Integral (IFS), como MaNGA e SAMI, forneçam dados espacialmente resolvidos, eles cobrem áreas de céu limitadas. Por outrora, grandes levantamentos fotométricos, como o Dark Energy Spectroscopic Instrument Legacy Survey (DESI-LS), contêm milhões de galáxias, mas carecem de uma decomposição estrutural automatizada e de alta fidelidade. Métodos de decomposição tradicionais (ex: GALFIT, BUDDI) são frequentemente computacionalmente intensivos ou exigem ajuste manual, tornando-os inadequados para catálogos desta magnitude. Além disso, abordagens existentes de aprendizado de máquina para segmentação de galáxias têm sido limitadas por tamanhos de imagem de entrada menores, alvos de classificação binária ou pela falta de aplicação à imagem do DESI.

Metodologia
Os autores apresentam o "ZooBot:3D" (ZB:3D), um framework de aprendizado profundo projetado para gerar mapas de segmentação de braços espirais e barras através da pegada do DESI-LS.

• Dados de Treinamento: O modelo foi treinado em mapas de segmentação pixel a pixel derivados do projeto de ciência cidadã Galaxy Zoo: 3D (GZ:3D). No GZ:3D, voluntários traçaram manualmente braços espirais e barras em imagens do SDSS de 7.418 galáxias MaNGA. Os autores converteram essas anotações de polígonos em máscaras "suaves" (soft masks), onde a intensidade do pixel (0–255) representa a fração de voluntários que envolveram aquele pixel.
• Dados de Entrada: Diferente de trabalhos anteriores que utilizam imagens do SDSS, o ZB:3D utiliza imagens do DESI Legacy Survey. O DESI-LS oferece maior profundidade ($r=23,9$ mag vs. $r=22,7$ mag para o SDSS), revelando mais detalhes estruturais. As imagens são reamostradas para $424 \times 424$ pixels e recortadas/ampliadas para $224 \times 224$ pixels para o modelo.
• Arquitetura do Modelo: O ZB:3D emprega uma arquitetura do tipo U-Net baseada em blocos residuais de estilo ResNet. Possui uma estrutura encoder-decoder com conexões de salto (skip connections, tanto residuais quanto de identidade) para preservar a informação espacial. O modelo utiliza funções de ativação Mish e normalização por lote (batch normalization), com uma camada de saída final produzindo dois canais (braços espirais e barras). A abordagem de regressão prevê a fração contínua de concordância dos voluntários em vez de um rótulo de classe binário.
• Seleção de Amostra: A partir da amostra pai GZ:DESI de aproximadamente 8,7 milhões de galáxias, os autores aplicaram cortes de seleção baseados em tamanho angular (raio de Petrosian > 2") e classificações morfológicas geradas por máquina (fração de estruturas presentes/disco, fração de borda/edge-on). Isso resultou em uma amostra primária de 639.636 galáxias, incluindo 512.216 com prováveis braços espirais e 230.511 com prováveis barras. Subamostras cruzadas para MaNGA (29.006) e SAMI (5.019) também foram geradas.
• Limiarização (Thresholding): Para utilizar os mapas de segmentação suave "difusos", os autores investigaram métodos de limiarização. Eles descobriram que cortes baseados em percentis (especificamente o 80º percentil da distribuição de intensidade dentro do disco da galáxia) forneceram resultados consistentes para isolar estruturas, superando limiares de intensidade fixa.

Principais Resultados

• Qualidade de Segmentação: O modelo produz mapas detalhados que se alinham bem com as máscaras dos voluntários do GZ:3D. Em comparações visuais, os mapas do ZB:3D foram preferidos por astrônomos especialistas tanto em relação às máscaras originais dos voluntários quanto aos mapas de segmentação SpArcFiRe de estudos anteriores. O modelo identifica com sucesso estruturas espirais complexas, incluindo variações na multiplicidade de braços e ângulos de enrolamento.
• Detecção Emergente de Anéis: Apesar de as galáxias com anéis serem um componente minoritário nos dados de treinamento (apenas 373 de 6.382 galáxias de treinamento possuíam frações de anéis elevadas), o modelo demonstrou uma capacidade emergente de identificar estruturas de anéis. A cabeça de segmentação de braços espirais conseguiu rastrear tanto os anéis principais do disco quanto os anéis nucleares, sugerindo uma forte semelhança morfológica entre a rotulagem de espirais e anéis.
• Validação Física:
  • Aplicação IFU: Aplicado a datacubes do MaNGA, os mapas de segmentação isolaram com sucesso regiões de emissão de $H\alpha$ aumentada em braços espirais e identificaram "desertos de formação estelar" em regiões de barras, consistentes com mecanismos conhecidos de evolução secular.
  • Aplicação Fotométrica: A análise da fotometria do DESI confirmou tendências físicas conhecidas: pixels dentro das máscaras de braços espirais são significativamente mais azuis ($g-r$) que o restante do disco, indicando formação estelar aumentada. Inversamente, pixels dentro das máscaras de barras são mais vermelhos que o disco, consistentes com populações estelares mais velhas em regiões de barra.

Significância e Alegações
O artigo afirma fornecer o primeiro catálogo em larga escala de mapas de segmentação gerados por máquina para braços espirais e barras através da pegada do DESI-LS, cobrindo mais de 600.000 galáxias. A principal significância reside na criação de um produto de segmentação "suave" que captura a confiança do modelo, permitindo uma análise matizada das estruturas galácticas em vez de classificações binárias.

Os autores enfatizam que o uso de imagens mais profundas do DESI-LS como entrada permite a detecção de detalhes estruturais mais finos comparado aos modelos baseados em SDSS. O conjunto de dados é disponibilizado publicamente, incluindo subamostras cruzadas para levantamentos de IFS, permitindo que pesquisadores realizem decomposições estruturais em dados fotométricos e espectroscopia IFU sem o custo computacional da anotação manual ou do ajuste tradicional. O trabalho sugere que modelos de aprendizado profundo treinados em dados de ciência cidadã podem generalizar para detectar estruturas (como anéis) não explicitamente enfatizadas no conjunto de treinamento, abrindo novos camros para o estudo da morfologia galáctica na era de grandes levantamentos como Rubin, Euclid e Roman.