Een internationaal team van astronomen heeft met behulp van een geavanceerd deep-learning framework de structurele kenmerken van bijna 10 miljoen sterrenstelsels in kaart gebracht. De resultaten, gebaseerd op gegevens van de Hyper Suprime-Cam Wide survey, vormen een van de grootste catalogi van structurele parameters in verschillende golflengten.
De analyse richt zich op de manier waarop de structuur van sterrenstelsels varieert afhankelijk van de gebruikte golflengte. Omdat verschillende fotometrische banden verschillende stellaire populaties en structurele componenten volgen, is een multi-band benadering essentieel voor een volledig begrip van galactische morfologie. Volgens een recent onderzoek gepubliceerd via arxiv.org zijn de resultaten gebaseerd op waarnemingen van ongeveer 1400 vierkante graden van de Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP) Wide survey.
De rol van deep learning en GAMPEN
Voor het verwerken van deze enorme hoeveelheid data maakten de onderzoekers gebruik van het Galaxy Morphology Posterior Estimation Network, kortweg GAMPEN. Dit is een Bayesian deep-learning framework dat in staat is om per sterrenstelsel posterior-distributies te genereren voor specifieke parameters. Hierbij gaat het om de verhouding tussen de bulge en het totale licht ($L_B/L_T$), de effectieve straal ($R_e$) en de flux ($F$).
Een opvallend aspect van het onderzoek is de efficiëntie van het model. De wetenschappers konden GAMPEN aanpassen van eerder getrainde single-band modellen naar nieuwe banden door gebruik te maken van transfer learning. Volgens de was hiervoor slechts ongeveer 0,5% van de totale dataset nodig. Ondanks deze zeer kleine trainingsset slaagde het systeem erin om metingen van lichtprofiel-fitting nauwkeurig te reproduceren, met een gemiddelde afwijking van minder dan 6%.
Reikwijdte en beperkingen van de dataset
De catalogus omvat sterrenstelsels met een roodverschuiving ($z$) van maximaal 0,75 en een magnitude ($m$) kleiner dan 23. In totaal zijn er bijna 10 miljoen stelsels geanalyseerd in de $g$, $r$ en $i$ banden, waarbij ongeveer 3,9 miljoen van deze stelsels een volledige multi-band dekking hebben.
Hoewel de metingen over het algemeen robuust bleken, stuitte het team op beperkingen bij specifieke waarden. Voor de $g$-band nam de prestatie significant af bij een roodverschuiving van $z \gtrsim 0,5$. In dit specifieke geval probeert de meting namelijk steeds vaker de ultraviolette emissie in het rustframe te analyseren, wat leidde tot minder betrouwbare resultaten. Om de kwaliteit van de publieke release te waarborgen, zijn deze specifieke metingen uit de uiteindelijke catalogus verwijderd, zoals vermeld in de .
Toekomstige toepassingen in de astronomie
De creatie van deze uitgebreide catalogus opent nieuwe mogelijkheden voor grootschalige statistische studies. Onderzoekers kunnen nu dieper ingaan op morfologische kleurgradiënten, de afhankelijkheid van sterrenstelselstructuren van de golflengte en de algemene evolutie van sterrenstelsels.
Bovendien biedt deze methodiek een schaalbaar pad voor toekomstige projecten. De onderzoekers geven aan dat deze aanpak met robuuste onzekerheidsmarges kan worden toegepast op data van toekomstige missies zoals Rubin, Euclid en Roman. De volledige details van het onderzoek, inclusief 20 figuren en 31 pagina's aan analyse, zijn ingediend bij The Astrophysical Journal (ApJ) en kunnen worden geraadpleegd via de .
Het team achter dit project bestaat uit een brede groep experts, waaronder Milind Sarkar, Aritra Ghosh en Andrew Connolly, die samenwerkten om de grenzen van structurele karakterisering in de astronomie te verleggen door middel van kunstmatige intelligentie.