Usando datos del Dark Energy Survey (DES), investigadores de la Universidad del Estado de Pensilvania realizaron el catálogo más grande de clasificaciones de morfología de galaxias hasta la fecha.
En total, 27 millones de morfologías de galaxias han sido cuantificadas y catalogadas con la ayuda del aprendizaje automático.
El Dark Energy Survey es un programa de investigación internacional cuyo objetivo es obtener imágenes de una octava parte del cielo para comprender mejor el papel de la energía oscura en la expansión acelerada del Universo.
Un subproducto de este estudio es que los datos del DES contienen muchas más imágenes de galaxias distantes que otros estudios hasta la fecha.
Las imágenes de DES nos muestran cómo eran las galaxias hace más de 6 mil millones de años”, comentó la coautora Mariangela Bernardi, profesora en el Departamento de Física y Astronomía.
Y debido a que DES tiene millones de imágenes de alta calidad de objetos astronómicos, es el conjunto de datos perfecto para estudiar la morfología de las galaxias.
La morfología de las galaxias es uno de los aspectos clave de la evolución de las galaxias. La forma y estructura de las galaxias tiene mucha información sobre la forma en que se formaron, y conocer sus morfologías nos da pistas sobre las posibles vías de formación de las galaxias”, mencionó la coautora Helena Domínguez Sánchez, investigadora postdoctoral.
Anteriormente, los investigadores habían publicado un catálogo morfológico para más de 600 mil galaxias.
Para hacer esto, desarrollaron una red neuronal convolucional, un tipo de algoritmo de aprendizaje automático que podía categorizar automáticamente si una galaxia pertenecía a uno de dos grupos principales: galaxias espirales, que tienen un disco giratorio donde nacen nuevas estrellas y galaxias elípticas, que son más grandes y están formadas por estrellas más viejas que se mueven de manera más aleatoria que sus contrapartes espirales.
Pero el catálogo desarrollado utilizando el conjunto de datos del SDSS estaba compuesto principalmente de galaxias cercanas brillantes.
En su último estudio, los investigadores querían refinar su modelo de red neuronal para poder clasificar galaxias más débiles y distantes.
Queríamos empujar los límites de la clasificación morfológica y tratar de ir más allá, a objetos más débiles u objetos que están más lejos”, señaló el coautor Jesús Vega-Ferrero, investigador postdoctoral.