Sutra : An integrated framework for identification and characterization of filaments in the interstellar medium

Resumo Técnico: S¯utra – Um Framework Integrado para Identificação e Caracterização de Filamentos

Definição do Problema
Observações do meio interestelar (ISM) em comprimentos de onda de infravermelho distante (FIR) e submilimétrico revelam que as nuvens moleculares são dominadas por estruturas filamentares, que servem como berço para a formação estelar. Embora levantamentos sensíveis como o Herschel Gould Belt Survey (HGBS) tenham estabeleado a ubiquidade desses filamentos, a identificação e caracterização robustas permanecem desafiadoras. As metodologias existentes geralmente se dividem em duas categorias: abordagens locais (ex: métodos baseados na matriz Hessiana), que têm dificuldade com filamentos tênues e de baixo contraste em grandes intervalos dinâmicos, e abordagens globais (ex: decomposição multiescala), que são computacionalmente intensivas. Além disso, as ferramentas atuais frequentemente tratam a identificação e a caracterização física dos filamentos como etapas sequenciais e desconectadas. Essa separação, combinada com definições variáveis de filamentos entre algoritmos, leva a resultados inconsistentes e à falta de uma identificação imparcial e livre de parâmetros adequada para análises estatísticas de larga escala.

Metodologia
O artigo apresenta o S¯utra, um framework baseado em aprendizado de máquina que unifica a identificação de filamentos e a caracterização física em escala de feixe (beam-scale) em um único pipeline automatizado. A metodologia consiste em quatro tarefas integradas:

1. Construção de Rótulos de Treinamento: Em vez de depender da saída de um único algoritmo, o S¯utra constrói rótulos de treinamento tomando a união de esqueletos gerados por dois métodos complementares: o DisPerSE (que rastreia cristas de intensidade via persistência topológica) e o getsf (que realiza extração multiescala global). Este "esqueleto de consenso" (dis:gsf) reduz o viés inerente a qualquer algoritmo individual e inclui estruturas de baixo contraste.
2. Arquitetura U-Net para Detecção de Cristas: O framework emprega uma arquitetura U-Net treinada em mapas de densidade de coluna (CD). Diferente dos modelos de segmentação tradicionais que predizem máscaras binárias dos interiores dos filamentos, o S¯utra é treinado para predizer um mapa de probabilidade de crista ($P_{crest}$). Os rótulos alvo são esqueletos de um único pixel de largura, forçando a rede a aprender a localização da crista (detecção da linha central) em vez de uma segmentação de intensidade ampla.
3. Estratégia de Pré-processamento e Inferência: Para lidar com tamanhos de mapa variados, grandes mapas de CD são subdivididos em blocos sobrepostos (ex: $64 \times 64$ pixels). Esses blocos passam por filtragem de fundo global, normalização local e realce de contraste (via uma operação de achatamento arctan). Durante a inferência, uma estratégia de empilhamento de alta sobreposição (95% de sobreposição) é usada para mitigar descontinuidades de borda, e as probabilidades preditas são calculadas pela média para produzir um mapa de probabilidade de crista suave e completo.
4. Refinamento Guiado pela Física: A saída bruta é convertida em um esqueleto binário via limiarização (thresholding) e transformação de eixo medial. Crucialmente, este esqueleto não é o produto final. O S¯utra subdivide o esqueleto em segmentos do tamanho do feixe e realiza a extração de perfil radial perpendicular à crista. Cada segmento é ajustado com um perfil do tipo Plummer. Segmentos que falham em satisfazer critérios físicos (ex: má qualidade de ajuste ou falta de estrutura cilíndrica) são rejeitados. Segmentos validados são então reconectados usando um algoritmo de Árvore Geradora Mínima (MST). Esta etapa garante que o catálogo final contenha apenas estruturas consistentes com modelos físicos de filamentos.

Principais Contribuições

• Framework Unificado: O S¯utra é a primeira ferramenta a integrar segmentação supervisionada com caracterização física em escala de feixe em um único pipeline de poucos parâmetros.
• Aprendizado Centrado na Crista: Ao treinar em esqueletos de um único pixel em vez de máscaras de intensidade, o modelo foca nas espinhas dos filamentos, permitindo a detecção de estruturas em ambientes de baixo contraste onde o limiar comum falha.
• Treinamento de Consenso: O uso da união das saídas do DisPerSE e getsf como verdade fundamental (ground truth) cria um conjunto de treinamento mais inclusivo e menos tendencioso.
• Filtragem Física: A integração do ajuste de perfil radial como critério de filtragem transforma a extração de filamentos de um problema puramente baseado em imagem para um procedimento guiado fisicamente, rejeitando detecções espúrias que não exibem perfis cilíndricos.

Resultados
O framework foi treinado em cinco nuvens moleculares próximas (Ophiuchus, Polaris, Aquila, Orion-B e IC-5146) do levantamento HGBS e validado em recortes selecionados de Aquila, Orion e Polaris.

• Capacidade de Detecção: O S¯utra identifica consistentemente um comprimento e área total de estruturas filamentares significativamente maiores do que o DisPerSE e o getsf individualmente. Na região de Aquila, o S¯utra identificou 72,5 pc de filamentos, comparado a 30,8 pc (DisPerSE) e 23,3 pc (getsf).
• Sensibilidade a Estruturas Tênues: O S¯ुरा detecta filamentos com menor intensidade e menor contraste ($C < 0,3$) que são perdidos pelos outros métodos. Isso é particularmente evidente na nuvem Polaris, uma região quiescente onde os filamentos são difusos.
• Consistência Física: Apesar de detectar uma população mais ampla de filamentos, as propriedades intrínsecas derivadas pelo S¯utra — especificamente a largura do filamento ($2 \times R_{flat} \approx 0,1$ pc) e o índice $p$ de Plummer ($\sim 2$) — são estatisticamente consistentes com as derivadas pelo DisPerSE e getsf.
• Validação de Novas Detecções: Os "novos" filamentos detectados pelo S¯utra (aqueles não presentes no esqueleto de treinamento dis:gsf) foram submetidos ao ajuste de Plummer. Eles renderam um $\chi^2$ reduzido médio de 1,81 e parâmetros físicos consistentes com populações de filamentos conhecidas, confirmando que são estruturas genuínas e não artefatos.
• Robustez: Testes controlados em dados sintéticos com variados níveis de turbulência de fundo (movimento browniano fracionário) demonstraram que os mapas de probabilidade de crista do S¯utra permanecem estáveis, enquanto os métodos baseados em Hessiana mostraram sensibilidade à amplificação de fundo.

Significância e Alegações
Os autores alegam que o S¯utra fornece uma abordagem robusta, livre de parâmetros e computacionalmente eficiente para a investigação sistemática de filamentos do ISM. Ao recuperar estruturas filamentares consistentes com perfis cilíndricos mesmo em ambientes de baixo contraste, o S¯utra é bem adequado tanto para estudos regionais específicos quanto para análises estatísticas de larga escala da formação estelar em estágio inicial.

O framework permite o estudo das propriedades dos filamentos (como densidade de massa linear e largura) na resolução do feixe ao longo do eixo do filamento, em vez de depender de medianas globais. Esta capacidade permite a investigação da fragmentação, estabilidade e evolução dos filamentos conforme eles se aproximam de sistemas hub-filamento. O artigo enfatiza que, embora o S¯utra opere atualmente em mapas de CD, seu design modular permite a integração futura com dados espectroscópicos e de campos magnéticos para estudar adicionalmente a estabilidade gravitacional e a dinâmica. A ferramenta é disponibilizada como um pacote Python e um portal online para apoiar a reprodutibilidade e a extensão pela comunidade.