Segmentación de galaxias usando métodos de aprendizaje profundo

REY DEUTSCH, TOMÁS; BIGNONE, LUCAS; PEDROSA, SUSANA

CABA

Congreso; 64 Reunión Nacional de la AAA; 2022

Asociación Argentina de Astronomía

Los procesos fı́sicos que determinan la formación y evolución de las galaxias tienen un fuerte impacto en la morfología final de las galaxias. Es por ello, resulta de vital importancia poder identificar los distintos componentes de las mismas. Proyectos como Galaxy Zoo (Lintott et al., 2011), basados en una clasificación visual, mostraron que la mayorı́a de las galaxias del relevamiento SDSS presentan una estructura espiral y que muchas de estas contienen, a su vez, barras centrales.El objetivo de este trabajo es desarrollar un método automático para determinar la morfología de las galaxias, particularmente la presencia de brazos espirales y barras. Hacerlo a la vez de una manera eficiente y rápida es un factor que será de importancia crı́tica en el análisis de los volúmenes masivos de datos que comenzarán a obtenerse con la nueva generación de telescopios. Para ello utilizaremos redes neuronales (Convolutional Neural Networks: CNNs) y técnicas de aprendizaje profundo (deep learning) las cuales serán capaces de analizar imágenes de galaxias y realizar mapas de segmentación sobre las mismas, indicando las regiones donde predomina cada una de sus componentes.