Zderzanie i łączenie się galaktyk jest kluczowym elementem ich ewolucji. W dobie ogromnych przeglądów nieba konieczne są efektywne metody wykrywania tych zjawisk. W najnowszej pracy, astrofizycy z Narodowego Centrum Badań Jądrowych porównali skuteczność metod bazujących na morfologii z najnowszymi technikami wykorzystującymi uczenie maszynowe.

Proces łączenia się sąsiednich galaktyk jest źródłem wielu istotnych zjawisk astrofizycznych. Oddziaływanie tak ogromnych mas materii powoduje m.in. intensyfikację procesów gwiazdotwórczych, czy powstawanie aktywnych jąder galaktycznych (active galactic nuclei). W zderzających się galaktykach formują się także zupełnie nowe struktury.

W badaniach tych zjawisk niezwykle istotna jest precyzyjna klasyfikacja łączących się galaktyk. Ma ona szczególne znaczenie w obliczu obecnie prowadzonych przeglądów nieba, takich jak Euclid, czy LSST. Projekty te są źródłem niespotykanych wcześniej ilości danych, które muszą zostać odpowiednio przetworzone, aby uzyskać najbardziej interesujące dla badaczy informacje. Dlatego w ostatnich latach poszukiwane są coraz bardziej efektywne metody klasyfikacji galaktycznych zderzeń. Klasyczne techniki, takie jak metoda bliskich par, czy klasyfikacja wizualna, choć skuteczne, nie odnajdują zastosowania w dużych zbiorach danych.

Nowoczesne metody bazują w większości przypadków na uczeniu maszynowym (ML), zwykle z wykorzystaniem konwolucyjnych sieci neuronowych bądź transformerów wizyjnych. Są one dużo lepiej przystosowane do pracy na ogromnej ilości danych, jednak wymagają równie dużych zasobów obliczeniowych. Co więcej, klasyfikatory wytrenowane na konkretnych zbiorach danych miewają problemy z nowymi danymi, przez co tracą na niezawodności. Alternatywą mogą być klasyfikatory morfologiczne, które bazują na zestawie statystyk opisujących wygląd galaktyk.

W najnowszej pracy, która ukazała się właśnie w czasopiśmie Astronomy&Astrophysics, zespół badaczy z Zakładu Astrofizyki Narodowego Centrum Badań Jądrowych (NCBJ) porównał działanie klasyfikatorów wykorzystujących statystyki morfologiczne z nowoczesnymi metodami opartymi na uczeniu maszynowym. Do ewaluacji klasyfikatorów wykorzystano zarówno symulowane, jak i rzeczywiste obserwacje programu HSC-SSP. Częścią pracy była także optymalizacja kryteriów, na podstawie których klasyfikatory oznaczały łączenie się galaktyk, do czego wykorzystano metodę Markov Chain Monte-Carlo (MCMC). Analiza zawierała także zależność precyzji klasyfikacji od przesunięcia ku czerwieni (z) oraz masy gwiazdowej.

– Uzyskane wyniki potwierdziły, że klasyfikatory morfologiczne są w stanie wykryć łączące się galaktyki w nowych zbiorach danych z podobną skutecznością, jak metody ML. Nasze analizy pokazały, że takie klasyfikatory działają lepiej dla niskiego przesunięcia ku czerwieni oraz dla wysokiej masy gwiazdowej. Dodatkowo, badania pozwoliły nam na nowo zdefiniować i zoptymalizować kryteria wykrycia zderzających się galaktyk, dzięki czemu usunęliśmy tendencyjność obserwowaną w niektórych kryteriach używanych w innych pracach – wyjaśnia Aidan Cotter, doktorant z Zakładu Astrofizyki NCBJ i pierwszy autor badań.

Naukowcy będą kontynuować prace nad usprawnieniem opracowanych metod. Dalsze badania mają m.in. zwiększyć precyzję wykrywania galaktyk po połączeniu (post-mergers) poprzez wprowadzenie nowych statystyk morfologicznych.

Rozwijanie skutecznych metod wykrywania zjawisk, takich jak łączenie się galaktyk pozwoli w pełni wykorzystać nowe dane z wielkich przeglądów nieba. Ich analiza przyniesie nowe odkrycia, dzięki którym lepiej zrozumiemy ewolucję Wszechświata.

Badania były prowadzone w ramach grantu SONATA „Smashing galaxies into dust” finansowanego przez Narodowe Centrum Nauki (UMO-2023 2023/51/D/ST9/00147).

Wyniki badań są dostępne w publikacji: A.P. Cotter et al., Performance of morphological classifiers for galaxy mergers compared to current machine learning methods, Astronomy&Astrophysics, 2026.