Автоматический поиск гигантских галактик низкой поверхностной яркости

Авторы
Самородова Е.Б.
Организации
Московский государственный университет имени М.В.Ломоносова
Сессия
Астрофизика и радиоастрономия
Форма представления
Устный
Место работы научного руководителя
Государственный астрономический институтим. П. К. Штернберга МГУ им. М.В. Ломоносова; Нью-Йоркский университет в Абу-Даби, ОАЭ
Научный руководитель
Катков Иван Юрьевич
Текст тезисов
Гигантские дисковые галактики, обладающие слабо светящимися протяженными отдаленными областями на расстоянии > 30 кпк от центра галактики (giant Low Surface Brightness, gLSB) – редкие, но крайне интересные астрономические объекты. Вопросы формирования гигантских дисков, сохранившихся в процессе слияний с другими галактиками, представляют интерес для понимания эволюции галактик в целом. Однако на данный момент известно всего около сотни gLSB галактик, тогда как увеличение числа известных gLSB галактик позволит перейти к статистическому подходу в исследованиях. Задача поиска новых gLSB галактик особенно актуальна сейчас в связи с появлением глубоких фотометрических обзоров (The DECam Legacy Survey, Hyper Suprime-Cam Subaru Strategic Program). Ручная инспекция таких обзоров практически невозможна, поэтому необходимо разрабатывать автоматический поиск исследуемых галактик, в частности на на основе методов машинного обучения.
В данной работе мы развиваем аппарат автоматического поиска gLSB галактик. Главная идея подхода заключается в использовании радиальных профилей поверхностной яркости галактик вместо двумерных изображений галактик, что является физически мотивированным понижением размерности задачи для упрощения обучение классификатора. Мы разработали систему поточной обработки (pipeline) изображений для расчета радиальных профилей галактик, а также применили полученный pipeline к глубоким фотометрическим данным обзора Hyper Suprime-Cam Subaru Strategic Program DR2 [1], доступным через cutout-сервис проекта Legasy Survey, для небольшой области неба ($29 < \alpha < 40$, $-7 < \delta < 3$), в которой ранее вручную было задетектировано 53 gLSB галактики (Saburova et al. in prep). Чтобы иметь физические размеры дисков галактик, рассматриваются галактики только с известными красными смещениями в диапазоне $0.03 < z \leq 0.3$. В результате проведен анализ данных 33748 галактик.
Этот массив данных будет использован для обучения и тестирования различных методов классификации, включая статистические методы и алгоритмы машинного обучения (Random Forest Classifier, SVM). Методы машинного обучения, включая сверточные нейронные сети, уже применялись для анализа поверхностной яркости галактик [2] и для поиска галактик низкой поверхностной яркости по оптическим изображениям [3], однако потребуется существенная модификация подходов для поиска гигантских галактик с протяженностью свыше 30 кпк при обучающающей выборке всего несколько десятков объектов.


Литература

1. Hiroaki Aihara, et al. Second data release of the Hyper Suprime-Cam Subaru Strategic Program. // Publications of the Astronomical Society of Japan, Vol. 71, Oct 2019.
2. R. Li, et al. Galaxy Light profile convolutional neural NETworks (GaLNets). I. Fast and accurate structural parameters for billion galaxy samples, 2021.
3. D. Tanoglidis, A. Ćiprijanović, and A. Drlica-Wagner. DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning, 2020.