Por Facundo Rodriguez
facundo.rodriguez@unc.edu.ar
Un equipo de investigación del Instituto de Astronomía Teórica y Experimental (IATE), con la colaboración de investigadores de La Plata y Chile, desarrollaron un método de aprendizaje automático que permite reconstruir las órbitas de las galaxias a partir de sus posiciones observadas.
Las galaxias tienden a agruparse y a formar sistemas que van desde grupos de pocos miembros a cúmulos con grandes cantidades de galaxias. Se puede estudiar qué galaxias forman estos sistemas a partir de su movimiento,ya que las que giran alrededor de un centro forman parte del mismo cúmulo. Sin embargo, analizar esto no es tan sencillo porque algunas galaxias si bien son atraídas por un grupo, y se están moviendo hacia el sistema, aún no forman parte de él. Otras siguen trayectorias aún más raras, ingresan a un sistema y luego vuelven a salir. Fueron estas últimas las que motivaron el estudio.
Motivación
“Nuestro interés es poder estudiar las propiedades de las galaxias en sistemas y, en particular, aquellas que ingresan a un grupo y luego lo abandonan; pero, para poder estudiarlas, primero necesitamos identificarlas”, expresa Valeria Coenda, investigadora del IATE especializada en Astronomía Extragaláctica.
Esquema que representa las órbitas de las distintas clases de galaxias. Las que forman parte de un cúmulo, en rojo; aquellas que están cayendo hacia el sistema, en violeta, y las que ingresaron en el cúmulo y luego salen, en naranja. Gráfico diseñado por Vanina Rodríguez.
Con las observaciones, se puede determinar la posición y la velocidad de las galaxias, pero esto no es suficiente para realizar una reconstrucción de sus trayectorias. “Decidimos utilizar modelos computacionales que nos brindan información en tres dimensiones de las órbitas que siguen las galaxias y, a partir de ello, desarrollamos un método que luego podemos aplicar a las observaciones”, comenta Julián Martinez investigador del IATE y quien ha realizado diversos estudios sobre galaxias y sistemas de galaxias.
Inteligencia Artificial
La clasificación de las galaxias según sus órbitas fue realizada utilizando tres técnicas de inteligencia artificial que permiten aprender de los datos. “Utilizamos lo que se denomina aprendizaje automático supervisado y, a partir de las órbitas en tres dimensiones, obtuvimos las clasificaciones en función de la velocidad y de la posición relativa al cúmulo, que es lo que tenemos en las observaciones”, explica Martín de los Rios, quien ha implementado estos métodos , ha realizado su doctorado en el IATE y, actualmente, se encuentra realizando un postdoctorado en el International Centre for Theoretical Physics ? South American Institute for Fundamental Research (ICTP-SAIFR).
“Se denomina supervisado porque utiliza un conjunto de datos del que se conoce su clasificación, en este caso, las distintas clases de galaxias, y se lo utiliza para entrenar el sistema que realiza la clasificación”, agrega Martín.
Este trabajo fue aceptado recientemente para ser publicado en la revista Monthly Notices of the Royal Astronomical Society y permitirá que el equipo de investigación continúe con esta línea de investigación, y, a partir de la clasificación de sus órbitas, explore las propiedades de las galaxias dentro y fuera de los sistemas, cómo llegan éstas a los grupos y qué cambios sufren las galaxias que entran y salen de los cúmulos.
El grupo de trabajo, además de los integrantes ya mencionados cuenta con la participación de Hernán Muriel y Andrés Ruíz del IATE, Sofía Cora, investigadora de CONICET en La Plata, y Cristian Vega-Martínez de la Universidad, de La Serena, Chile.
Valor agregado
Además de los resultados obtenidos, este grupo liberó el código que realiza la clasificación para que esté disponible y otras personas que investiguen puedan seguir el mismo procedimiento. El código puede encontrarse en la página web del IATE, así como en GitHub, y hay una versión que realiza el procedimiento en línea sin necesidad de descargarlo.
El acrónimo del código es ROGER (por las siglas en inglés de Reconstructing Orbits of Galaxies in Extreme Regions using machine learning techniques) y, como puede deducirse de la imagen que acompaña al código, estas palabras fueron cuidadosamente elegidas para homenajear a Roger Federer . Además de los acuerdos respecto de este proyecto, el equipo comparte su admiración por el destacado tenista.
Publicación científica
ROGER: Reconstructing Orbits of Galaxies in Extreme Regions using machine learning techniques
Autores | Martín de los Rios, Héctor J. Martínez, Valeria Coenda, Hernán Muriel, Andrés N. Ruiz, Cristian A. Vega-Martínez & Sofía A. Cora. Comunicación de la Ciencia.
