Inferindo as propriedades do halo escuro da galáxia a partir da matéria
visível com aprendizado de máquina
1 INTRODUÇÃO
O aprendizado de máquina (ML) é um ramo da
inteligência artificial que permite classificar ou
ajustar dados. Os algoritmos de ML aprendem e
melhoram automaticamente seu desempenho com
base na experiência, sem serem explicitamente
programados. Em particular, as ferramentas de
ML são aplicadas a sistemas complexos onde uma
solução analítica é difícil ou inviável de encontrar.
Por esta razão, o ML tem sido amplamente
utilizado para aplicações astrofísicas. Estes
incluem a classificação fotométrica de supernovas
(Lochner et al. 2016, Charnock & Moss 2017), a
classificação estrela/galáxia (Baqui et al. 2021), as
análises de dados de ondas gravitacionais (Biswas
et al. 2013, Carrillo et al. 2015), a estimativa do
redshift fotométrico (Bilicki et al. 2018, Amaro et
al. 2019), a busca de quasares (Nakoneczny et al.
2019), a morfologia da galáxia (Gauci et al. 2010,
Ball et al. 2004, Banerji et al. 2010), a busca de
eventos de lentes fortes (Petrillo et al. 2017,
2019a,b, Schaefer et al. 2017, Lanusse et al. 2017,
Hartley et al. 2017, Pourrahmani & Nayyeri 2017,
Li et al. . 2019, 2020), a previsão de parâmetros
cosmológicos (Auld et al. 2008, Auld et al. 2007,
Shimabukuro & Semelin 2017, Zarrouk &
Bennaceur 2010) e a busca independente do
modelo por desvios do modelo ΛCDM (von
Marttens e outros 2019, 2021). Em particular, as
ferramentas de ML são particularmente adequadas
para aplicação em levantamentos de grandes
galáxias, onde a grande quantidade de dados é
difícil de lidar com ferramentas de análise padrão
(Kelleher et al. 2020).
A este respeito, as técnicas de ML
desempenharam um papel importante na
exploração de conjuntos de dados provenientes de
futuros levantamentos fotométricos do céu, como
Vera Rubin/LSST (Ivezić et al. 2019), missão
Euclid (Laureijs et al. 2011), o Telescópio da
Estação Espacial Chinesa (CSST, Zhan 2018) e
pesquisas espectroscópicas, como 4MOST (de
Jong et al. 2019), WEAVE (Rogers et al. 2014) e
DESI (Edelstein et al. 2018).
Pesquisas de imagem nos fornecerão fotometria
total precisa que pode ser usada para inferir as
massas estelares (Maraston et al. 2013; Wright et
al. 2019) e restringir outros parâmetros da
população estelar (como idade e metalicidade, ver,
por exemplo, La Barbera et al. 2010). Para as
galáxias mais brilhantes com relações sinal-ruído
mais altas, seremos capazes de coletar fotometria
de superfície detalhada para medir parâmetros
estruturais (ou seja, o raio efetivo, luminosidade
total, elipticidade, índice Sérsic e B/D, ver, por
exemplo, Grogin et al. 2011, Baldry et al. 2012;
Lange et al. 2016, Roy et al. 2018) para bilhões de
galáxias até o desvio para o vermelho ~1,5 (ver,
por exemplo, Robertson et al. 2017).
Pesquisas espectroscópicas fornecerão redshifts e
medições de dispersão de velocidade central para
milhões de galáxias (de Jong et al. 2019), que
podem ser usadas para relações de escala de
galáxias (por exemplo, Bernardi et al. 2005,
Nigoche-Netro et al. 2010, Aquino-Ortíz et al.
2018, Napolitano et al. 2020) ou para restringir a
formação estelar de galáxias (Bernardi et al. 2006,
Catalán-Torrecilla et al. 2015).
No geral, a riqueza de dados esperados das futuras
imagens e estudos espectroscópicos
oferecer-nos-á uma oportunidade única de ter uma
compreensão abrangente do conteúdo de matéria
escura das galáxias. Neste contexto, tem havido
algumas tentativas de usar medições
observacionais simples, como parâmetros
estruturais da galáxia e dispersão da velocidade
central a partir de pesquisas extensas, para obter
informações sobre as frações centrais da matéria
escura da galáxia (por exemplo, Hyde & Bernardi
2009b; Tortora et al. 2009, 2013, 2012, 2014,
2018; Napolitano e outros 2010; Beifiori e outros
2014; Nigoche-Netro e outros 2016, 2019). A
maioria desses estudos tem sido até agora baseada
em análises padrão de Jeans, que requerem fortes
suposições sobre a dinâmica (por exemplo, o
equilíbrio geral das galáxias e a anisotropia
interna) e as populações estelares (por exemplo, a
função de massa inicial, definindo o total da
galáxia massas estelares). Além disso, é bem
conhecido que os perfis de densidade de DM quantidades DM relevantes, como a massa escura
podem ser modificados pelos efeitos total e a massa escura dentro do raio de meia
gravitacionais do colapso (por exemplo, contração massa.
adiabática, Gnedin et al. 2004) ou expansão (por
Este primeiro estudo de “viabilidade” pretende
exemplo, expansão adiabática, ver, por exemplo,
preparar o terreno para análises futuras, onde
Di Cintio et al. 2014) bárions, mudança geral sua
planejamos treinar as ferramentas de ML em
encosta central. Estes efeitos implicam fortes
diferentes simulações (EAGLE: Schaye et al.
degenerescências entre os parâmetros nos
2015, DIANOGA: Bassini et al. 2020,
modelos de galáxias (ver, por exemplo,
Magneticum: Hirschmann et al. 2014) e aplicar as
Napolitano et al. 2010). Além disso, a integração
ferramentas de ML treinadas a dados reais para
das equações de Jeans é muitas vezes um processo
fazer previsões específicas sobre as frações de
tedioso que necessita de aproximações
matéria escura das galáxias a serem comparadas
computacionais para convergir rapidamente. Por
com análises da literatura (por exemplo,
esta razão, estas técnicas têm sido ultimamente
Cappellari et al. 2013; Alabi et al. 2017; Tortora et
aplicadas a amostras relativamente pequenas (por
al. 2018).
exemplo, Cappellari et al. 2006, 2013).
A longo prazo, pretendemos aplicar técnicas de
A este respeito, as técnicas de ML podem fornecer
ML a grandes observações de levantamento do
um paradigma totalmente novo para o estudo da
céu para impor restrições à formação de matéria
matéria escura (DM, daqui em diante) em
bariônica e escura nas galáxias, num cenário
diferentes escalas. Por exemplo, Ntampaka et al.
“universal” único. Na verdade, espera-se que
(2018) usaram Redes Neurais Convolucionais
diferentes cosmologias, combinadas com
(CNNs) para estimar a massa de aglomerados de
diferentes receitas de formação de galáxias,
galáxias a partir de um catálogo simulado de raios
forneçam diferentes previsões observacionais (ver,
X construído a partir da simulação TNG100
por exemplo, Villaescusa-Navarro et al. 2021) que
(Nelson et al. 2019a). Da mesma forma, Yan et al.
podem ser testadas contra dados reais para
(2020) obtiveram previsões para as massas dos
finalmente restringir o melhor cenário
aglomerados usando imagens de simulações
cosmológico + evolutivo. Neste caso, as
hidrodinâmicas de BAHAMAS. Estas análises
ferramentas de ML podem ser usadas para
forneceram novas e interessantes abordagens para
resolver eficazmente este problema de regressão,
a obtenção de estimativas do teor de MS de
que envolve um espaço de parâmetros
sistemas gravitacionais quentes, baseadas no
multidimensional que inclui parâmetros
conhecimento prévio de seu componente
cosmológicos padrão (por exemplo, o parâmetro
bariônico.
de densidade de massa crítica, Ω𝑚, e a dispersão
Neste artigo, testamos a capacidade dos da escala do 8 Mpc flutuações, 𝜎8), além de
algoritmos de ML de fazer previsões sobre as diferentes parâmetros que regulam a formação
propriedades do halo DM das galáxias, a partir de estelar, ventos estelares e potência AGN (ver
quantidades observadas derivadas da matéria Villaescusa-Navarro et al. 2021 para uma
luminosa, em particular imagens ópticas e discussão), possivelmente em diferentes sabores
infravermelhas próximas e espectroscopia. DM (por exemplo, ΛCDM: Komatsu et al. 2011;
Planck Collaboration et al. 2016, Matéria Escura
Fazemos uso de catálogos de galáxias simuladas
Quente: Kang et al. 2013, ou Matéria Escura Auto
do lançamento de dados públicos de simulações
Interagida: Spergel & Steinhardt 2000). Ao treinar
Illustris (Nelson et al. 2019b). De posse desses
ferramentas de ML “supervisionadas” em
dados, treinamos e testamos diversas ferramentas
diferentes simulações, onde um determinado
de ML e as otimizamos para obter a melhor
conjunto de parâmetros observacionais é definido
precisão nas propriedades DM das mesmas
como aqueles medidos nas grandes pesquisas do
galáxias simuladas. Em particular, testaremos qual
céu acima mencionadas, podemos esperar derivar
é o conjunto mínimo de parâmetros necessários
o melhor “universo” interpretando todos os dados.
para produzir uma precisão razoável em algumas
Este trabalho está organizado da seguinte forma:
no §2 apresentamos os dados de simulação do
IllustrisTNG-100 utilizados neste trabalho, e as
principais grandezas físicas das galáxias
simuladas que utilizaremos ao longo do artigo. Na
§3 descrevemos a abordagem adotada para obter o
melhor pipeline para prever os parâmetros do DM
da galáxia e as métricas de desempenho usadas
para avaliar a precisão dessas previsões. No §4
discutimos os resultados obtidos em nossas
análises. Em particular, avaliamos a exatidão e
precisão das quantidades previstas e realizamos
uma análise de importância do recurso.
Finalmente, no §5 tiramos as conclusões e
discutimos as perspectivas futuras.
2 DADOS SINTÉTICOS
Conforme mencionado no §1, neste trabalho
usamos dados sintéticos da simulação
IllustrisTNG-100 (TNG100, doravante) para os
quais tanto as quantidades bariônicas (ver também
§2.3) quanto às propriedades dos halos de matéria
escura (ver também §2.2) são fornecidos.
Na nossa abordagem, as quantidades bariônicas
são as “características”, ou seja, as entradas de
entrada das ferramentas de ML, enquanto as
propriedades do halo escuro são os “alvos”, ou
seja, as quantidades que as ferramentas de ML
precisam prever para cada galáxia correspondente
a uma determinada entrada.
Abaixo apresentamos detalhes da simulação e o
catálogo de ‘features’ e ‘targets’ de galáxias
extraídas do TNG100.
2.1 Simulação e catálogo de galáxias
A simulação TNG100 é uma simulação
cosmológica magneto-hidrodinâmica usando um
volume móvel de 106, 5 𝑀𝑝𝑐 lado a lado. Os
parâmetros cosmológicos são definidos de acordo
com Planck 2015 (Ade et al. 2016), ou seja,
ΩΛ = 0, 6911, Ω𝑚 = 0, 3089, Ω𝑏 = 0, 0486 𝑒 𝐻
.
3
A simulação contém 1. 820 partículas de
3
matéria escura, 1. 820 células hidrodinâmicas e
3 Further details on the TNG100 data can be found on
1. 820 partículas traçadoras de Monte Carlo, com
um comprimento de amolecimento de 0,74 kpc
para matéria escura e partículas estelares e 1,85
kpc para células de gás. A resolução de massa das
partículas de matéria escura é 7, 5×10 𝑀,
6
enquanto a resolução de massa média das
6
partículas bárions é 1, 4 × 10 𝑀. A parte
hidrodinâmica da simulação inclui receitas
atualizadas para formação e evolução estelar,
enriquecimento químico, resfriamento e feedbacks
(Weinberger et al. 2017; Pillepich et al. 2018b;
Nelson et al. 2018). Também é responsável pelo
feedback AGN (Weinberger et al. 2017) e pelo
modelo de ventos galácticos (Pillepich et al.
2018b), imitando o feedback de supernovas.
A simulação evolui a partir das condições iniciais,
começando no redshift 𝑧 = 127, até 𝑧 = 0 e 136
instantâneos de saída estarem disponíveis. Para
este trabalho, usamos apenas o instantâneo 𝑧 = 0,
onde o catálogo de objetos inclui 1.048.574
subestruturas. Entre estes, para nossa análise
selecionamos todas as subestruturas
correspondentes a SubHalos selecionados por
amigos de amigos (FoF), tendo “galáxias” com
massa DM e tamanhos DM maiores que zero e
8
10 𝑀⊙
massas estelares 𝑀* (𝑧 = 0) > ℎ
. O
número de SubHalos selecionados em nosso
catálogo é 43.379, correspondendo ao mesmo
número de SubHalos, no TNG. Doravante nos
referiremos a esses objetos como “galáxias”1.
2.2 Metas
Começamos definindo os alvos, ou seja, as
quantidades que queremos prever e que
representam a saída do algoritmo de ML.
Conforme esclarecido anteriormente, neste
trabalho estamos interessados nas propriedades
DM das galáxias. A saída do TNG100 fornece
informações separadamente sobre diferentes
espécies de matéria. No catálogo completo, essas
diferentes espécies de matéria são divididas em
grupos denotados por Tipo i, onde i=0, ..., 5
correspondem respectivamente a: gás, MS,
traçadores, estrelas + partículas de vento e
1
https://www.tngproject.org/data/docs/specifications
buracos negros2. O catálogo TNG100 nos fornece
as seguintes quantidades de DM (Tipo_1):
• T1: Matéria DM total. No catálogo TNG100
este é o parâmetro SubhaloMass. Denotamos este
alvo como 𝑀DM e é dado em unidades de
10
(10 𝑀⊙)/ℎ;
• T2: Raio de movimento contendo metade da
massa do MS. Isso corresponde ao parâmetro
SubhaloHalfmassRad. Este alvo é denotado como
𝑅𝐷𝑀/2 e é dado em unidades de 𝑐𝑘𝑝𝑐/ℎ;
• T3: massa DM dentro do raio da meia massa
estelar (ou seja, o raio que contém metade da
massa estelar total, 𝑅*/2, ver também §2.3). Isso
corresponde ao parâmetro
SubhaloMassInHalfRad. Este alvo é denotado
como 𝑀_𝐷𝑀 (𝑅*/2) e é dado em unidades de
(10 10
𝑀⊙ /ℎ; )
• T4: Massa DM dentro do dobro do raio da meia
massa estelar. Isso corresponde ao parâmetro
SubhaloMassInRad. Este alvo é denotado como
𝑀𝐷𝑀 ( ) e é dado em unidades de (10 𝑀 )/ℎ;
𝑅*
2
10
⊙
2.3 Recursos
Recursos são as quantidades que os algoritmos de
ML utilizam para prever os alvos mencionados
acima. Como estamos interessados em investigar
o poder preditivo dos dados coletados por
imagens e levantamentos espectroscópicos em
óptico e infravermelho próximo, neste trabalho
consideramos um total de 15 características
relacionadas à matéria visível dentro dos halos
fornecidos no catálogo TNG100. Dividimos esses
recursos em três grupos: Fotométricos, Estruturais
e Cinemáticos. Os recursos de cada grupo são os
seguintes:
Fotométrico: Estas são as magnitudes absolutas
do quadro de repouso nas oito bandas
fotométricas seguintes:
• P1: banda Johnson-Bessel 𝑈 (𝜆 = 0,360 𝜇𝑚);
• P2: Banda 𝐵 de Johnson-Bessel (𝜆 = 0,435 𝜇𝑚);
• P3: Banda 𝑉 de Johnson-Bessel (𝜆 = 0,550 𝜇𝑚);
2 meia massa estelar. Isso corresponde ao parâmetro
A espécie de matéria Tipo_2 não é usada.
• P4: Banda 𝐾 de Johnson-Bessel (𝜆 = 2,22 𝜇𝑚);
• P5: banda SDSS 𝑔 (𝜆 = 0,469 𝜇𝑚);
• P6: banda SDSS 𝑟 (𝜆 = 0,617 𝜇𝑚);
• P7: banda SDSS 𝑖 (𝜆 = 0,748 𝜇𝑚);
• P8: banda SDSS 𝑧 (𝜆 = 0,893 𝜇𝑚);
Esses recursos são todos coletados sob o
parâmetro SubhaloStellarPhotometrics_i, onde
i=1,..., 8, conforme lista acima. Mantivemos todos
os filtros, apesar de existir alguma redundância
entre os diferentes sistemas fotométricos porque o
ML irá considerá-los todos de forma
independente. Como um dos objetivos desta
análise é estabelecer a importância das
características na realização de previsões para
qualquer alvo, isso nos permitirá considerar a
importância de cada uma das bandas
observacionais acima de uma só vez, sem sistema
de filtro preferencial Enfatizamos também que o
NIR é apenas marginalmente coberto por dois
filtros “extremos”, SDSS 𝑧 e Johnson-Bessel 𝐾.
Estrutural: Essas características estão
relacionadas a alguns parâmetros estruturais da
massa de matéria visível nos halos. Observe que
essas características são as mesmas quantidades
dos alvos, introduzidas em §2.2, mas definidas
aqui para a massa estelar, que corresponde à
partícula Tipo_4.
• S1: Matéria estelar total. Isso corresponde ao
parâmetro SubhaloMass. Esta característica é
denotada como 𝑀∗ e é dada em unidades de
10¹⁰𝑀 /ℎ;
• S2: Raio comovente contendo metade da massa
estelar. Esse corresponde ao parâmetro
SubhaloHalfmassRad_4. Esta característica é
denotada como 𝑅∗/2 e é dada em unidades de
𝑐kpc/ℎ;
• S3: Massa estelar dentro do raio da meia massa
estelar. Isso corresponde ao parâmetro
SubhaloMassInHalfRadType_4. Esse
o recurso é denotado como 𝑀∗ (𝑅∗/2) e é dado em
10
unidades de (10 𝑀⊙)/ℎ;
• S4: Massa estelar dentro do dobro do raio da
SubhaloMassInRadType_4. Esta característica é
denotada como 𝑀∗ (2𝑅∗/2) e é dada em unidades
10
de (10 𝑀⊙)/ℎ;
Cinemática: Recursos relacionados à distribuição
de velocidade na linha de visão:
• K1: Dispersão unidimensional da velocidade de
todas as partículas/células membros. Isto
corresponde ao parâmetro SubhaloVelDisp. Esta
característica é denotada por 𝜎𝑉 e é dada em
unidades de kms−1;
• K2: Valor máximo da curva de rotação média
esférica. Isto corresponde ao parâmetro
SubhaloVmax. Esta característica é denotada por
−1
h𝑉i𝑚𝑎𝑥 e é dada em unidades de 𝑘𝑚𝑠 ;
Para os grupos Estrutural e Cinemático, tomamos
o logaritmo (com base 10, “Log” daqui em diante)
de todos os recursos. Isto é particularmente
conveniente em nossa análise porque as relações
de escala típicas envolvendo correlações entre
parâmetros estruturais e cinemática com
fotometria são leis de potência.
Consequentemente, as quantidades logarítmicas
produzem correlações geralmente lineares entre os
recursos e os alvos, o que melhora o desempenho
das previsões de ML. A distribuição de todas as
características é mostrada no Apêndice A.
Observamos aqui que as magnitudes são, por
definição, quantidades Log e, portanto, não
precisam ser transformadas.
2.3.1 Considerações sobre a correspondência de
características e observações
Ao definir as características acima, não
discutimos a precisão destes parâmetros derivados
nas simulações do Illustris em comparação com
aqueles medidos em galáxias reais. Existem outras
análises dedicadas a estes aspectos específicos,
onde simulam propriedades de galáxias como
perfis de luz de galáxias, perfil de cores (ver, por
exemplo, Pulsoni et al. 2020), taxas de formação
de estrelas (por exemplo, Pillepich et al. (2018a)),
e até mesmo a cinemática (ver, por exemplo, van
de Sande et al. 2019) foi comparada com
observações. Conforme discutido em algumas
dessas análises, ainda existem problemas não
resolvidos na correspondência entre observações e
simulações: (𝑖) as simulações ainda são limitadas
em resolução para volumes cosmológicos
suficientemente grandes (Schaye et al. 2015); e
(𝑖𝑖) quantidades observacionais realistas de
simulações ainda são insatisfatórias (ver, por
exemplo, Guidi et al. 2015; van de Sande et al.
2019). Contudo, são problemas que possivelmente
serão superados num futuro próximo3. Aqui,
precisamos observar que a presente análise não se
destina a fazer previsões de DM em galáxias reais,
portanto o “realismo observacional” das
quantidades usadas como características não é um
problema. Treinar ferramentas de ML em
simulações mais realistas será assunto para
análises futuras. Neste artigo, queremos abordar
as seguintes questões:
𝑖) É possível fazer previsões da componente
escura de
galáxias, a partir de simples parâmetros
observacionais?
𝑖𝑖) Em caso afirmativo, quais são os melhores
parâmetros DM que podemos inferir com estes
dados?
Para fazer isso, estamos motivados a usar
parâmetros observacionais fornecidos por
simulações hidrodinâmicas que carregam as
informações físicas contidas em observações
reais, mesmo que não sejam totalmente
compatíveis com a observação. Em particular, as
características fotométricas descritas acima são
semelhantes aos parâmetros básicos fornecidos
por levantamentos de imagem (por exemplo,
SDSS: York et al. 2000; KiDS: de Jong et al.
2015) e serão uma parte fundamental dos
parâmetros da galáxia fornecidos por futuros
grandes levantamentos do céu (por exemplo,
Rubin/LSST: Ivezić et al. 2019; CSST: Zhan
2018; Euclid: Laureijs et al. 2011).
As características cinemáticas, como a dispersão
da velocidade central das galáxias, são parâmetros
padrão fornecidos pelo atual (por exemplo, SDSS:
Nigoche-Netro et al. 2012; LAMOST: Napolitano
3
See e.g. the FIRE project: https://fire.northwestern.edu/
et al. 2020) e futuro (por exemplo, WEAVE:
Costantin et al. 2019; 4MOST: de Jong 2011;
DESI: DESI Collaboration et al. 2016) pesquisas
espectroscópicas. A este respeito, a dispersão da
velocidade 1D fornecida pelo TNG100 é uma
aproximação justa, pois contém informações
sobre os movimentos aleatórios das galáxias,
apesar de não estar limitada a alguma abertura
central4.
Argumentos semelhantes podem ser usados para
〈𝑉〉𝑚𝑎𝑥, que também é uma aproximação grosseira
da rotação da galáxia observada, embora, como
para 𝜎𝑉, eles mostrem correlações com
parâmetros de fotometria que refletem as relações
de escala observadas (ver §2.4).
Características estruturais, como o raio de meia
massa, também são derivadas de levantamentos
fotométricos (por exemplo, SDSS: Shen et al.
2003; Baldry et al. 2012. ?; KiDS: Roy et al.
2018) e serão fornecidas em futuros
levantamentos de imagem , enquanto as massas
estelares são obtidas por fotometria multibanda
(por exemplo, Maraston et al. 2013; Wright et al.
2019) ou por espectroscopia (por exemplo,
Kauffmann et al. 2003; Thomas et al. 2011). A
este respeito, as massas estelares fornecidas pelo
TNG100, como para os parâmetros de fotometria
acima, fornecem uma representação justa das
quantidades derivadas das observações.
Com a nossa abordagem de ML, podemos testar
se o uso de uma combinação de todos esses dados
pode fornecer algumas previsões precisas do
conteúdo de matéria escura das galáxias. No
entanto, isto também dará a oportunidade de testar
se existe um conjunto mínimo de parâmetros (por
exemplo, apenas fotometria ou apenas
espectroscopia ou uma combinação destes
parâmetros com parâmetros estruturais), o que
também pode fornecer previsões suficientemente
precisas. Este será um passo crucial para otimizar
o número de parâmetros observáveis a serem
coletados para as amostras preditivas, ou seja,
galáxias reais de pesquisas específicas, a serem
4
Note-se que no cenário plausível de perfis de dispersão de
velocidade quase constante, a abertura tem um efeito mínimo
na estimativa global 1D, em relação a outros efeitos como o
amolecimento gravitacional que pode impactar fortemente as
órbitas estelares em torno dos centros das galáxias (De Rijcke
et al. 2019).
usadas para fazer estimativas de DM usando as
ferramentas de ML que queremos testar nas
seções seguintes.
2.4 Matriz de Correlação
Quando nos deparamos com um problema de
aprendizagem estatística, seja de interpolação ou
classificação, é antes de tudo apropriado ver o
compartilhamento de informações dentro dos
recursos que serão utilizados durante a previsão,
bem como entre os recursos e os alvos da
previsão, quando o aprendizado é supervisionado.
Para medir a dependência linear entre dois
conjuntos de dados, utilizou-se o coeficiente de
correlação de Pearson, definido como a razão
entre a covariância dos dois conjuntos de dados e
o produto dos seus desvios padrão. Construído
desta forma, este coeficiente aparece sempre com
valor entre -1 e 1, apontando para o máximo da
correlação linear quando 𝜌 = 1 ou 𝜌 = −1, e para a
ausência de correlação linear quando 𝜌 = 0.
Observe que, como o coeficiente de Person
calcula a correlação linear, funciona apenas como
um primeiro indicador e não substitui a análise
completa.
Na Figura 1, começamos analisando a matriz de
correlação para os alvos e os recursos que
utilizamos. Aqui, os alvos são rotulados com um
índice T*, as características do tipo fotométrico
são rotuladas como P*, as características do tipo
estrutural são rotuladas como S* e as
características cinemáticas são rotuladas como
K*, conforme definido em §2.2 e §2.3. Os
elementos da matriz de correlação são o
coeficiente de correlação de Pearson calculado
para todas as combinações de alvo e
características tomadas em pares. A matriz de
correlação também é codificada por cores de
acordo com o valor do coeficiente de Pearson.
Nesta figura, cinco grupos de correlação são
claramente distinguíveis (em roxo), são eles
T1-T2, T3-T4, P1-P2-P3-P4-P5-P6-P7-P8, S2,
S1-S3-S4- K1-K2.
No domínio alvo, T1 está fortemente
correlacionado com T2, enquanto T3 está
fortemente correlacionado com T4, mas esses dois
grupos estão levemente correlacionados entre
eles. Isto é bastante surpreendente, pois é
esperado, que a matéria MS total (T1) deva estar
correlacionada com a massa dentro de alguns
raios dados (por exemplo, massa MS dentro do
raio de meia massa estelar, T3), pois quanto maior
for a massa total, quanto maior deve ser a massa
em todos os raios. Por outro lado, as simulações
parecem mostrar que existe uma correlação mais
estreita entre o MS total e o meio raio do DM,
denotando a presença de uma relação de escala
tamanho-massa para o componente MS. Notamos
também que, uma vez que existe uma correlação
fraca entre este último com o raio comovente
contendo metade da massa estelar (S1), podemos
interpretar a correlação mais fraca entre T1 e
ambos T3 e T4, como consequência da fraca
correlação entre os raios de meia massa escuro
(T2) e estelar (S2). Este último é interessante
porque pode refletir a variação devido à
combinação de diferentes populações de galáxias,
por ex. galáxias de tipo inicial e tardio (ver, por
exemplo, Huang et al. 2017; Zanisi et al. 2020),
que não tentamos separar neste trabalho, mas
investigaremos no próximo artigo (Wu et al., em
preparação).
O grupo de feições fotométricas apresenta forte
correlação positiva entre elas, o que é óbvio, pois
todas estão conectadas via distribuição de energia
espectral de galáxias (SED), definindo suas
populações estelares (ver, por exemplo, Bruzual &
Charlot 2003; Vazdekis et al. 2012). Pela mesma
razão, vemos uma forte anti-correlação entre as
características fotométricas e as massas estelares5
S3 e S4, que codifica as razões massa-luz estelar
das populações estelares. Por outro lado, a
correlação entre a fotometria e o raio da meia
massa estelar é mais fraca (∼ −0,3), mas
semelhante em magnitude àquela entre as massas
estelares e o mesmo S2 (∼0,4). Isto significa que
as conhecidas relações tamanho-luminosidade e
tamanho-massa (ver, por exemplo, Baldry et al.
2012, Roy et al. 2018) são reproduzidas pelas
simulações, mas as suas correlações são menos
significativas do que outras. Uma razão para uma
correlação tamanho-massa mais pobre é que estas
têm inclinações diferentes em diferentes tipos de
galáxias. Como não separamos os sistemas do tipo
5
Observe que o sinal da correlação entre massas e magnitude
é sempre invertido porque galáxias mais massivas também
são mais luminosas, o que significa que têm magnitudes mais
negativas, por definição.
inicial dos do tipo tardio na análise atual, a
correlação geral pode ser enfraquecida (de forma
semelhante ao que foi comentado para os raios
escuros e luminosos). Finalmente, as
características cinemáticas estão fortemente
correlacionadas entre elas e estão fortemente
correlacionadas positivamente com as massas (S1,
S3 e S4) e a fotometria. Isso significa que as
simulações podem reproduzir outras relações
clássicas de escala para galáxias, correlacionando
luminosidade (e massas) com a velocidade de
rotação de galáxias do tipo tardio (a chamada
relação Tully-Fisher, ver, por exemplo, ref;
também em sua forma bariônica, ver por exemplo,
McGaugh 2012; McGaugh & Schombert 2015) ou
luminosidade e dispersão de velocidade (a
chamada relação Faber-Jackson, ver, por exemplo,
Faber & Jackson 1976; Hyde & Bernardi 2009a).
Ressaltamos aqui que não estamos interessados
em verificar se as simulações estão reproduzindo
corretamente as relações observadas, pois isso
implicaria ter um conjunto completo de
observações simuladas realistas das propriedades
da galáxia, que serão abordadas em análises
futuras. Aqui queremos verificar se, dados alguns
observáveis definidos nas simulações e
reproduzindo corretamente a existência de
correlações em galáxias reais, é possível fazer
previsões corretas das propriedades DM
desconhecidas das galáxias, de forma consistente.
Concluímos esta primeira inspeção visual das
correlações entre características e alvos, notando
que nenhuma característica apresenta uma
correlação muito estreita com os alvos. Se
existisse uma correlação tão estreita, então seria
possível usar essa correlação única para fazer
previsões diretas do DM nas galáxias. Por outro
lado, esperamos que combinando as informações
de diferentes características, um algoritmo de ML
possa “interpolar” essas correlações e obter
valores precisos para os diferentes alvos.
Para avaliar a relevância de cada grupo na
predição das características do DM, realizaremos
quatro análises. Primeiro, analisamos como cada
grupo individualmente pode ser usado para prever
características do DM e, finalmente, combinamos
todos os grupos em uma análise conjunta.
3 MÉTODO
Neste trabalho, utilizamos a abordagem de
aprendizagem supervisionada, um ramo comum
do ML (Goodfellow et al. 2016). Nesta categoria
de aprendizagem, pretendemos construir uma
função numérica que nos permita associar objetos
no domínio 𝑋 (características) a objetos no
domínio 𝑌 (alvos) 𝑓 : 𝑋 → 𝑌, o que pode ser visto
como uma aproximação para um possível
~ para a amostra de treinamento. amostra de teste.
subjacente à solução exata 𝑓 . Por outras palavras,
procuramos explicar 𝑌 com 𝑋, mapeando entradas
em saídas.
3.1 Amostras de treinamento e teste
Para construir esta função aproximada, usamos
apenas uma parte da amostra de dados chamada
conjunto de treinamento. A melhor aproximação
para 𝑓 é alcançada através da minimização de uma
função de custo. A amostra restante, chamada de
conjunto de testes, é usada para medir o
desempenho, comparando os valores verdadeiros
(simulados no nosso caso) com os previstos. O
objetivo final é otimizar o modelo que funciona
igualmente bem nas amostras de treinamento e de
teste (ou seja, um modelo que generaliza bem).
Para evitar viés devido à escolha do conjunto de
treinamento e do conjunto de teste, é realizado um
procedimento de reamostragem de validação
cruzada para avaliar o modelo. Espera-se que tal
modelo faça previsões sobre outros dados que
devem ser bem representados pelo conjunto de
teste.
A generalização é a propriedade que diferencia
uma abordagem de ML de uma solução de
otimização convencional, normalmente usando
todo o conjunto de dados de forma indistinguível.
O conjunto de treinamento, denotado aqui por 𝐴,
consiste em um n-upla (𝑥𝑖 , 𝑦𝑖) (entrada, saída)
como vetor x𝑖 e y𝑖 pertencente ao espaço vetorial
𝑋 e 𝑌 respectivamente:
𝐴 = ((𝑥1, 𝑦1), (𝑥2, 𝑦2), ( ))
..., 𝑥𝑛, 𝑦𝑛 .
com 𝑋 ∈ 𝑅𝑐 e 𝑌 ∈ 𝑅𝑑. Para tarefas de
regressão, os elementos de y𝑖 pertencem a reais.
Para problemas de classificação, os elementos de
y𝑖 são inteiros, mas não é o nosso caso.
com 𝑋 ∈ R𝑐 e 𝑌 ∈ R𝑑. Para tarefas de regressão,
os elementos de y𝑖 pertencem a reais. Para
problemas de classificação, os elementos de y𝑖 são
inteiros, mas não é o nosso caso.
Neste trabalho, 𝑋 é representado por todas as
características do setor claro, e 𝑌 é representado
pelo alvo do setor escuro, e juntos formam nosso
conjunto de dados, que dividimos aleatoriamente
em 80% para a amostra de treinamento e 20%
3.2 Pipeline
Há uma infinidade de métodos de ML que podem
ser usados para resolver problemas de regressão
(Hastie et al. 2009), então: 𝑖) como encontrar, se
houver, o melhor método de ML para um
determinado problema? 𝑖𝑖) quais são as melhores
operações de engenharia de atributos a serem
aplicadas antes da análise de ML?
Aqui, a fim de explorar e avaliar todo o espaço de
possibilidades, decidimos usar uma ferramenta
automatizada de aprendizado de máquina python
chamada Tree-based Pipeline Optimization Tool
(Olson et al. 2016, TPOT em resumo). Vale
ressaltar que, mais do que um único método de
regressão, o TPOT retorna o “melhor” pipeline,
que pode ser feito de um único método ou de uma
combinação de diferentes algoritmos. Uma
descrição mais detalhada da análise TPOT
realizada neste artigo é encontrada no Apêndice B
e os melhores pipelines relatados na Tab. B1.
3.3 Métricas de desempenho
Conforme previsto, neste trabalho, focamos na
precisão que as ferramentas de ML podem
alcançar na previsão de algumas propriedades
específicas de DM das galáxias. Como usaremos
as mesmas galáxias simuladas como caso de teste,
este experimento é bastante ideal, e a precisão que
encontramos deve ser considerada um limite
superior para aplicações futuras em galáxias reais.
Em particular, este teste pode fornecer fortes
indicações sobre o potencial do conjunto
completo de dados, composto por fotometria,
espectroscopia e parâmetros estruturais, ou
mesmo um subconjunto desses dados. Conforme
descrito no §2, estes fornecem uma aproximação
de ordem 0 do conjunto de dados típico esperado
de inquéritos futuros.
Para quantificar a precisão dos valores previstos,
emitidos pelos pipelines apresentados na Tab. B1,
são comparados com os valores “verdadeiros” da
amostra de teste, fazemos uso de algumas
métricas estatísticas bem estabelecidas. Essas
métricas também são usadas para evitar
underfitting/overfitting nas análises.
A primeira métrica estatística que utilizamos é o
coeficiente de determinação 𝑅2, que é definido
por,
^ 2
2
𝑅 =1−
( )
∑ 𝑦𝑖−𝑦𝑖
,
^ 2
∑(𝑦 −𝑦)
𝑖
^
onde 𝑦𝑖 denota os pontos de dados, 𝑦 denota os
pontos previstos e 𝑦 é o valor médio do conjunto
de dados. Observe que a Eq. 2 pode ser
interpretado como uma versão padronizada da
soma do erro quadrático médio (MSE). Quanto
2
mais próximo 𝑅 estiver de 1, melhor será o
2
pipeline. Para o caso perfeito, onde 𝑅 = 1, o
modelo ajusta-se perfeitamente aos dados, o que
corresponde a MAE = MSE = 0. Além disso, na
avaliação da análise de regressão, 𝑅 mostrou-se
2 dados observacionais da sua matéria luminosa.
mais informativo e confiável do que outras
métricas Chicco et al. (2021).
O segundo estimador estatístico é o coeficiente de
correlação de Pearson, previamente introduzido e
utilizado para a matriz de correlação (ver S 2.4),
que, para efeitos de avaliar a precisão da previsão,
é definido de forma semelhante como
^ 𝑖𝑣) Combinando todos os recursos em uma análise
ρ= ( ),
𝑐𝑜𝑣 𝑦,𝑦
σ ^σ𝑦
𝑦
Aqui, estamos interessados em medir a correlação
entre os dados de teste y𝑖 e os valores relativos
^
previstos 𝑦 associados a um mesmo alvo.
Os resultados para as métricas estatísticas acima
mencionadas são apresentados e discutidos no §
4.1. Além disso, para fins de completude,
apresentamos também o Erro Médio Absoluto
(MAE) e o MSE, que são definidos
respectivamente por,
^
∑|||𝑦𝑖 − 𝑦𝑖 |||
𝑀𝐴𝐸 = 𝑁
,
2 4.1 Resultados
( ^
∑ 𝑦𝑖 − 𝑦𝑖 )
𝑀𝑆𝐸 = 𝑁
, Conforme discutido na Seção 3.1, durante o
onde 𝑁 é o número total de pontos de dados. O
MAE fornece uma medida do desvio dos valores
previstos em relação aos verdadeiros e, portanto,
espera-se que seja relativamente pequeno para
previsões precisas. O MSE é uma medida da
dispersão da previsão em torno dos valores
verdadeiros e, portanto, é menor para previsões
mais precisas.
2
Em geral, se por um lado 𝑅 e 𝜌 medem a
correlação estrita entre os valores previstos e
verdadeiros, o MAE e o MSE medem a presença
ou não de deslocamento sistemático e as
incertezas gerais dos valores previstos.
4 ANÁLISES
Nesta seção, mostramos os resultados sobre as
previsões dos pipelines de ML selecionados pelo
TPOT (ver §3.2 e Apêndice B) que retornaram
para os quatro alvos e discutimos sua precisão e
dispersão. Isto permite-nos tirar conclusões sobre
a viabilidade dos métodos ML para derivar as
propriedades DM das galáxias, a partir apenas dos
Para cada um dos quatro alvos, realizamos
previsões com quatro dados de entrada distintos,
como segue:
𝑖) Considerando apenas as feições fotométricas;
𝑖𝑖) Considerando apenas recursos estruturais;
𝑖𝑖𝑖) Considerando apenas recursos cinemáticos;
conjunta.
Isto perfaz um total de 16 resultados, quatro
previsões para os quatro alvos. As previsões da
última das análises listadas (iv) representam o
resultado principal do artigo, mas as análises i), ii)
e iii) são úteis para compreender a capacidade
preditiva dos diferentes tipos de observações
separadamente.
Para as análises conjuntas, apresentamos também
a importância dos subgrupos de características nas
regressões para todos os alvos.
processo TPOT, o conjunto de dados é dividido
em duas amostras: amostras de treinamento e
amostras de teste. Enquanto a amostra de
treinamento, que consiste em 80% da amostra
total, são os dados utilizados pelo TPOT para
determinar o melhor pipeline, a amostra de teste
representa os dados que utilizamos para fazer as
previsões e avaliar a precisão do pipeline
encontrado. Esta última tarefa é feita aplicando as
métricas de desempenho, discutidas no § 3.3, à
amostra de teste: quanto melhores forem as
métricas, melhor será o modelo. Também é
importante avaliar as métricas de desempenho do
conjunto de treinamento porque elas podem ser
usadas para avaliar o overfitting. O overfitting
ocorre quando as métricas calculadas com a
amostra de teste são significativamente piores do
que as obtidas com a amostra de treinamento.
Neste caso, mesmo que o modelo seja capaz de
ajustar parte do total de dados, ele é considerado
irrealista porque o pipeline ajustado não consegue
prever adequadamente os dados que não foram
utilizados no processo de aprendizagem. Para um
modelo com significado físico, espera-se que as
métricas de desempenho calculadas com o
conjunto de teste não difiram significativamente
dos valores obtidos com o conjunto de
treinamento.
Todos os resultados para as métricas de
2
desempenho discutidas em § 3.3 (ou seja, 𝑅 , 𝜌,
MAE e MSE), calculados tanto para a amostra de
treinamento quanto para a amostra de teste, são
apresentados na Tab. 1. Em geral, consideramos
que nenhuma das análises sofre overfitting, pois
todos os resultados obtidos com amostra de
treinamento e amostra de teste são compatíveis
entre si.
Na Figura 2 mostramos os resultados referentes ao
T1 (matéria MS total). Pode-se ver que os
recursos fotométricos e cinemáticos por si só
geralmente podem fornecer melhores previsões
em comparação com os recursos estruturais. Em
particular, os recursos fotométricos fornecem os
2 “cauda horizontal” em todos os casos. Os valores
melhores resultados (𝑅 = 0,855, para a amostra
de teste), enquanto os recursos cinemáticos
2 para as análises fotométrica, estrutural e
apresentam um desempenho um pouco pior (𝑅 =
0,794, para a mesma amostra). Esses resultados
são ilustrados nos painéis superior esquerdo e
inferior esquerdo da Fig. 2, onde comparamos os
valores reais dos alvos, obtidos na simulação do
TNG100, com suas respectivas previsões,
indicadas por um chapéu. Olhando para as feições
fotométricas e cinemáticas, pode-se ver que,
embora pareçam ter dispersão semelhante, as
feições cinemáticas apresentam uma dispersão
maior para galáxias com DM maior. Pode-se
também ver no painel superior direito da Fig. 2
que as características estruturais realmente
2
fornecem um ajuste pior para T1 (𝑅 = 0,646 e 𝜌
= 0,660, para a amostra de teste), com uma grande
dispersão. Isto é refletido por um grande MAE
(0,758) e um grande MSE (0,965), que de fato
mostram a presença de sistemática e grande
dispersão nas previsões. Como esperado, a
precisão das previsões aumenta
consideravelmente quando todos os recursos são
2
combinados (𝑅 = 0,917, para a amostra de
treinamento na Tabela 1). O resultado da análise
conjunta é mostrado no painel inferior direito da
Fig. 2. Em comparação com as análises de grupo
único, vemos que as previsões da análise conjunta
fornecem uma dispersão menor e um resultado
mais consistente para todos os valores de T1. Isto
também é quantificado pelo menor MAE (0,131)
e MSE (0,043), mostrando uma precisão bastante
boa.
Para T2 (raio móvel contendo metade da massa
DM), nenhum grupo de características separado
2
por si só é capaz de fornecer previsões com 𝑅 >
0,8, no entanto, quando combinados na análise
conjunta, todas as características juntas
2
retornar uma previsão satisfatória (𝑅 = 0,865,
para a amostra de teste). Como é mostrado nos
painéis superior esquerdo, superior direito e
inferior esquerdo da Fig. 3, pode-se ver que todas
as análises de grupo único (fotométricas,
estruturais e cinemáticas) mostram uma dispersão
sensível, particularmente na faixa
0 ≲𝐿𝑜𝑔𝑅 𝐷𝑀 ≲ 1 , onde também observamos uma
2
2
de 𝑅 calculados para a amostra de treinamento
cinemática são 0,748, 0,421 e 0,535,
respectivamente. Apenas o caso fotométrico
apresenta exatidão (MAE = 0,159 – amostra de
teste) e precisão (MSE = 0,049 – amostra de teste)
razoáveis, ainda melhores que as mostradas para
T1. Para a análise de características unidas, esses
parâmetros (MAE = 0,111 e MSE = 0,026 –
amostra de teste) são ligeiramente melhores do
que a análise de características unidas de T1
(0,131 e 0,043 respectivamente).
Quanto ao T3 (massa DM dentro do raio de meia
massa estelar), este
parece ser uma quantidade bem prevista a partir
de características da matéria visível. No que diz
respeito aos grupos individuais, a análise com as
características estruturais é particularmente digna
2
de nota (𝑅 = 0,937, para o conjunto de teste).
Este excelente desempenho é ilustrado no painel
superior direito da Fig. 4. Do ponto de vista físico,
uma forte correlação entre a massa central do DM
e o raio efetivo foi apontada primeiro nas
observações (por exemplo, Napolitano et al. 2010;
Tortora et al. 2012; Alabi et al. 2016), depois em
simulações hidrodinâmicas em escala de galáxia
com zoom de alta resolução (por exemplo, Wu et
al. 2014; Remus et al. 2017). Curiosamente, esta
correlação parece codificada também em
simulações hidrodinâmicas de baixa resolução,
como o TNG100 aqui adotado, como
demonstrado pela matriz de correlação na Fig. 1,
onde há uma correlação justa entre T3 e as
características S* (∼ 0,8). Isso é importante na
perspectiva de fazer previsões de DM para da Fig. 4. O gráfico de dispersão estreito e estreito
galáxias reais, usando algoritmos de ML treinados entre os valores previstos e verdadeiros é
em simulações hidrodinâmicas em grande escala. quantificado pelo MAE e MSE, 0,037 e 0,004
respectivamente, que fornecem a medida da boa
Além disso, as previsões dos recursos
exatidão e precisão, muito superior aos resultados
fotométricos e cinemáticos também fornecem
apresentados por T1 e T2.
métricas de alto desempenho. Em particular, as
características fotométricas mostram 𝑅2 (0,883) e Finalmente, para T4 (massa DM dentro do dobro
𝜌 (0,940) ligeiramente melhores para a amostra de do raio da meia massa estelar) temos um resultado
teste do que os resultados das características muito semelhante ao T3, o que é esperado dada a
cinemáticas (𝑅2 = 0,765 e 𝜌 = 0,875, para o sua estreita correlação (ver Fig. 1). Além disso,
conjunto de teste). Seus resultados são estas duas quantidades são fisicamente
apresentados nos painéis superior esquerdo semelhantes, uma vez que são calculadas dentro
de um raio que é duas vezes para T4 em relação a
e inferior esquerdo da Fig. 4. Além dos bons T36. No entanto, apesar da estreita ligação entre os
desempenhos nas análises individuais, o mais dois, as correlações de T3 e T4 com as
notável deste caso é que, quando combinados, a funcionalidades não são idênticas, o que implica
complementaridade de características leva a uma
2
excelente previsão (𝑅 = 0,981 e 𝜌 = 0,990, para a
amostra de treinamento). Vale ressaltar que, na
2
análise conjunta, o 𝑅 calculado com a amostra de
teste é virtualmente idêntico ao valor obtido com
2
o conjunto de treinamento (𝑅 = 0,986), o que
corrobora a conclusão de que este é um resultado 6
Observe que as escalas típicas de DM são muito maiores
fisicamente consistente. O resultado da análise que as escalas típicas de matéria luminosa.
Consequentemente, temos uma pequena variação da massa
conjunta é apresentado no painel inferior direito DM indo para o raio de meia massa estelar de T3 até duas
vezes o raio de meia massa estelar.
um poder preditivo diferente das funcionalidades
e até um pipeline diferente para otimizar os
resultados. Isto é mostrado na Tab. B1, onde todos
os melhores pipelines para a análise
correspondente para T3 e T4 são diferentes.
Apesar destas diferenças, de um modo geral, as
métricas de desempenho do T4 são ligeiramente
melhores que as encontradas para o T3. O grupo
de características Estruturais é aquele que
apresenta o melhor desempenho se usado sozinho
para prever T4 (𝑅2 = 0,915, para a amostra de
teste), que é um pouco menor que o resultado
deste grupo para T3. Por outro lado, os recursos
fotométricos (𝑅2 = 0,899, para a amostra de teste)
e cinemático (𝑅2 = 0,821, para a amostra de teste)
fornecem uma ligeira melhoria nas previsões para
T4. Os gráficos de dispersão são apresentados nos
painéis superior esquerdo, superior direito e
inferior esquerdo da Fig. 5. Aqui também vemos
uma complementaridade entre os grupos de
características, pois a análise conjunta atinge um
nível de desempenho quase perfeito (𝑅2 = 0,987,
para o treinamento conjunto e 𝑅2 = 0,993, para o
conjunto de teste). O resultado conjunto é
mostrado no painel inferior direito da Fig. 5.
Visualmente, isso parece tão preciso quanto o
gráfico T3, que também é demonstrado pelo
MAE=0,033 e MES=0,003 (para a amostra de
teste), que são quase idênticos. para os mesmos
valores de T3 (0,037 e 0,004 respectivamente).
Para concluir esta seção, podemos afirmar que um
resultado significativo desta análise é o poder
preditivo das ferramentas de Aprendizado de
Máquina (ML) na restrição das propriedades da
Matéria Escura (DM) nas galáxias. Considerando
o parâmetro observacional de entrada simples
derivado principalmente do componente estelar,
observamos que as previsões mais precisas estão
limitadas às regiões centrais da galáxia,
especialmente em relação à massa de DM a um e
dois raios de meia massa. Este é, sem dúvida, um
dos resultados mais importantes deste artigo, mas
não surpreendente, dado que todas essas
quantidades estão fisicamente conectadas e não
requerem extrapolação. Isso também sugere que,
para estender as previsões para outras
propriedades DM mais "globais", como a massa
total ou as escalas características dos halos de
DM, pode ser necessário considerar observações
em uma escala maior. Por exemplo, podemos
mencionar a cinemática de raios maiores, como as
curvas de rotação de hidrogênio neutro (HI) para
galáxias espirais (Lelli et al. 2016), nebulosas
planetárias e aglomerados globulares (Napolitano
et al. 2014, Pota et al. 2015), bem como raios X
para galáxias elípticas (Lyskova et al. 2014).
Na próxima seção, quantificaremos a importância
de cada grupo de características (ou seja,
fotométrico, estrutural e cinemático) para as
análises conjuntas. Isso nos permitirá
compreender se é razoável esperar uma conexão
direta entre a análise de ML com um único grupo
de características apresentado aqui e a
importância das características correspondentes.
Pretendemos investigar se um desempenho
melhor do ML em um determinado grupo de
características implicaria em uma análise conjunta
mais crucial.
4.2 Importância do recurso
A análise da “importância do recurso” é uma
prática comum em aplicações de ML. Isso é usado
para descobrir qual dos recursos desempenha o
papel mais decisivo nos algoritmos de ML para
prever os alvos. Isso não tem nada a ver com
precisão, pois a importância do recurso não
seleciona os recursos que retornam a melhor
precisão, mas apenas o seu impacto nas previsões
finais.
Para nossa análise de importância de atributos,
utilizamos o método permutation_importance
(Breiman 2001), fornecido pelo software
scikit-learn (Pedregosa et al. 2011).
Este procedimento avalia o quanto o desempenho
do modelo cai quando uma das características é
misturada. Na verdade, cada vez que uma
característica é corrompida com um
embaralhamento, a relação dessa característica
específica com o alvo é quebrada, e a perda no
desempenho denota o quão importante é a
característica. Podemos escolher o número de
vezes que um recurso é embaralhado
aleatoriamente com o hiperparâmetro n_repeats.
Para nossos experimentos, tomamos n_repeats =
100, depois de termos explorado o intervalo de 20
a 100 sem encontrar diferenças apreciáveis. Na
Fig. 6 mostramos os resultados que obtivemos
com esta configuração. Em particular, mostramos
os resultados apenas para a análise conjunta, onde
podemos mostrar cumulativamente os valores de
importância dos recursos para cada grupo de
recursos adequadamente normalizados para a
unidade. Isto é bastante útil por dois motivos
principais:
𝑖) Ajuda a entender a física por trás da adequação
da abordagem ML, que é de alguma forma
criptografada nas relações de escala entre os
diferentes grupos de recursos discutidos em §1
(por exemplo, tamanho-massa, relações
TullyFisher e Faber-Jackson, Plano Fundamental,
etc. .);
𝑖𝑖) Também ajuda traçar estratégias para aquisição
e análise de dados, principalmente se for
demorado, (que tipo de dados? fotometria ou
espectroscopia? que tipo de parâmetro extrair
desses dados? precisamos de parâmetros
estruturais para todas as galáxias?) ;
Para este primeiro artigo, não entramos em
detalhes sobre a importância relativa das
características em cada grupo (por exemplo,
bandas ópticas vs. NIR em fotometria, massa
estelar vs. massa gasosa em estrutural, etc.)
porque isso pode ser parcialmente função de os
tipos de galáxias, que também não distinguimos
nesta análise. Estes aspectos farão parte da
próxima etapa do projeto (Wu et al., em
preparação), portanto, a seguir discutiremos
apenas a importância relativa dos diferentes
grupos.
Seguindo a ordem dos alvos na Fig. 6, podemos
ver que as características fotométricas são as que
impulsionam mais as previsões da matéria DM
total (T1), raio comovente de meia massa DM
(T2) e massa DM dentro de duas vezes a meia
massa estelar. raio (T4), enquanto para a massa
DM dentro do raio de meia massa estelar (T3), as
características mais importantes são as
características estruturais (raio de meia massa
estelar e massas estelares totais dentro de um e
dois raios de meia massa estelar, em particular).
A cinemática é a segunda característica
importante para T1 e T3, embora
surpreendentemente seja a menos importante para
T4, que, de acordo com a discussão na seção
anterior, não deve ser diferente de T3, dada a
definição próxima das duas grandezas.
Para compreender o comportamento do T4 e, em
geral, passar para a interpretação física destes
resultados de “importância da característica”,
precisamos primeiro enfatizar o que acontece
quando duas ou mais características estão
altamente correlacionadas. Nesse caso, a
permutação de um recurso terá um impacto
pequeno nas previsões de ML porque o modelo
pode obter as mesmas informações de um recurso
correlacionado que não foi permutado. A Figura 1
mostra algumas correlações fortes entre
características de diferentes grupos. Por exemplo,
a fotometria e a massa estelar apresentam índices
de correlação > 0,9, devido à sua estreita ligação
física. Na verdade, a massa dentro do raio da
meia-luz (𝑅ℎ), 𝑀𝑠𝑡𝑎𝑟(𝑅ℎ) = 𝑀/𝐿𝑥 ×𝐿𝑥/2, onde
𝑀/𝐿𝑥 e 𝐿𝑥 são a razão massa-luz e a luminosidade
total na banda 𝑥, respectivamente.
Com esta premissa necessária, podemos tentar
interpretar a diferença entre a importância dos
recursos T3 e T4. A fotometria, por conter
também informações sobre a massa estelar, é uma
característica importante para prever a massa
escura, uma vez que a massa estelar e a massa
escura estão fortemente correlacionadas (ver, por
exemplo, Moster et al. 2010). Portanto, a
fotometria é importante tanto para T3 quanto para
T4. No entanto, T3 é a massa estritamente dentro
do raio da meia-luz, portanto este parâmetro
estrutural (S1) conta tanto quanto a massa estelar.
Então, para T3, em geral, os parâmetros
estruturais (raios e massas estelares) assumem a
fotometria.
A importância do raio de meia-luz pode sugerir
que os parâmetros estruturais podem contar mais
no T2 (raio de meia massa do DM). Isto seria
verdade se houvesse uma forte correlação entre os
raios de meia massa do DM e a matéria estelar.
Conforme já mencionado em §2.4, de acordo com
a matriz de correlação da Figura 1, não há
correlação forte entre T2 e S2 (0,3). Portanto, a
forte dependência de T2 nos parâmetros de
fotometria é razoável, já que estes últimos
(combinados com a massa estelar dentro dos
parâmetros estruturais) fornecem as maiores
restrições na massa escura e o raio de meia massa
do DM é determinado por sua correlação com o
DM. massa.
No geral, da Figura 6 podemos concluir que não
há nenhum grupo específico de observáveis que
possamos descartar ao fazer previsões de matéria
escura em galáxias. A fotometria é imperdível,
pois fornece informações sobre a luminosidade e
as massas estelares das galáxias. Mas isto é
bastante óbvio e os levantamentos de imagens são
sempre o primeiro passo para catalogar galáxias.
Os parâmetros cinemáticos são menos óbvios.
Apesar da cinemática interna ser reconhecida
como uma informação importante sobre as
galáxias, elas são difíceis de medir, por isso são
frequentemente deixadas de lado em grandes
levantamentos espectroscópicos onde os objetivos
principais continuam sendo as medições do desvio
para o vermelho das galáxias (mas veja SDSS:
Thomas et al. 2013; LAMOST: Napolitano e
outros 2020). Pesquisas futuras são projetadas
para listar esses parâmetros (ver WEAVE:
Costantin et al. 2019; WAVES: Driver et al.
2019). Portanto, estes serão cruciais para as
análises de ML que propomos aqui.
Antecipamos que o resultado mais importante
deste artigo é que os observáveis luminosos
podem fornecer previsões precisas do DM dentro
do raio de meia-luz. Para estas análises, os
parâmetros estruturais da galáxia são medidas
cruciais a recolher, apesar de serem bastante
difíceis e exigentes em termos computacionais
(ver, por exemplo, Yoon et al. 2011, Baldry et al.
2012). No entanto, ferramentas de ML estão
sendo desenvolvidas recentemente para realizar
também esse tipo de análise e torná-las possíveis
para futuras grandes pesquisas do céu (Tuccillo et
al. 2018, Li et al. 2020).
Para concluir esta seção, queremos enfatizar as
diferenças entre a “importância do recurso” e as
métricas estatísticas da análise separada dos
grupos Fotométrico, Estrutural e Cinemático
relatados na Tabela 1. Embora estes tenham uma
conexão importante (como mencionado acima),
eles não carregam as mesmas informações, mas
representam conjuntos de dados complementares.
Em particular, ao comparar a “importância do
recurso” e os resultados das métricas estatísticas,
podemos ver como o desempenho dos diferentes
grupos muda quando permitimos a interação entre
eles. Por exemplo, para T1, a ordem de
contribuição na análise de importância do recurso
é a mesma que a ordem de desempenho das
2 “observacional
métricas estatísticas como escala 𝑅 ou 𝜌 com a
mesma classificação da Fig. 6. Pelo contrário,
para T2 e T3, embora o grupo de características
mais importante permaneça o mesmo, os outros
dois permutam a sua ordem de importância. Isto
significa que na análise de junção para T3 os
parâmetros cinemáticos contam mais do que os
parâmetros estruturais para melhorar a precisão,
mesmo que, individualmente, a cinemática por si
2
só tenha um 𝑅 e 𝜌 pior que a fotometria, e
também MAE e MSE piores.
Para T4, o grupo de feições Fotométricas assume
o papel principal na análise conjunta sobre o
grupo de feições Estruturais, pelos motivos
discutidos acima. Isso nos leva a concluir que a
importância do recurso não é uma métrica
quantitativa para um determinado conjunto de
dados, pois não é derivada deterministicamente.
Na verdade, o seu resultado depende dos pipelines
específicos em uso (ver Apêndice B), que
privilegiaram uma característica de um grupo de
recursos em detrimento de outro, mas isso não
significa que outro pipeline possa dar preferência
aos recursos de uma maneira diferente.
No entanto, a importância desta análise continua a
ser a de saber se existem grupos de variáveis que
podem ser excluídas da análise em virtude de
darem pouca ou nenhuma contribuição às
previsões alvo. Em particular, demonstramos que
para o melhor alvo que podemos prever (o DM
dentro do raio de meia massa, T3), todas as
características são quase igualmente importantes.
5. CONCLUSÕES
Usamos as simulações Illustris-TNG para
investigar se as ferramentas de aprendizado de
máquina podem fazer previsões sólidas sobre o
conteúdo de DM em galáxias em uma
determinada cosmologia, com uma determinada
receita de formação de galáxias, a partir de
parâmetros observacionais simples. Os principais
objetivos deste trabalho ainda são exploratórios,
pois estamos utilizando, para este projeto, um
conjunto de dados ideal onde tanto a amostra de
treinamento quanto a amostra de teste são
extraídas de simulações. Em outras palavras, o
quantidades” usadas como catálogos simulados
ainda carecem de realismo observacional para nos
permitir uma avaliação completa das precisões
que se pode esperar empregando essas técnicas.
No entanto, como primeiro passo, queremos
demonstrar que esta é uma direção viável a
explorar para futuras análises de grandes amostras
de galáxias, como aquela que se espera que seja
observada em futuros levantamentos fotométricos
e espectroscópicos. Esta é a primeira tentativa de
aplicar a técnica de ML a galáxias, que segue
tentativas anteriores feitas para fazer previsões de
matéria escura em aglomerados de galáxias (por
exemplo, Yan et al. 2020).
Aproveitando os catálogos públicos do
Illustris-TNG, identificamos uma série de
parâmetros observacionais, representando os
recursos que queremos usar para fazer previsões
de DM. Estes foram agrupados em três conjuntos
principais: parâmetros de fotometria (ou seja, as
magnitudes em 8 bandas diferentes), parâmetros
estruturais (ou seja, o raio de meia massa estelar e
três massas bariônicas diferentes), parâmetros
cinemáticos (ou seja, dispersão de velocidade 1D
de todos partículas e a velocidade máxima de
rotação). Também usamos os parâmetros do halo
da matéria escura (massa DM total, raio de
movimento de meia massa DM, massa DM dentro
do raio de meia massa estelar e os raios de meia
massa) como uma série de “alvos” para o ML
prever. Devido à multiplicidade de algoritmos de
aprendizagem ML existentes no mercado, todos os alvos (incluindo este raio também) um
apresentando vantagens e desvantagens em resultado excelente (0,87 . 𝑅2 . 0,98).
alcançar a melhor precisão nas previsões alvo,
adotamos uma aprendizagem supervisionada onde
exploramos um amplo conjunto de modelos com a
ajuda do TPOT. Esta é uma ferramenta
automatizada para transformações de dados e
algoritmos de aprendizado de máquina que usa
um procedimento de pesquisa genética para
descobrir com eficiência um pipeline de modelo
com melhor desempenho para um determinado
conjunto de dados. Apresentamos nossos
resultados graficamente nas Figuras 2, 3, 4 e 5, e
numericamente na Tabela 1. Os melhores
pipelines, fundados pela ferramenta automatizada
de ML, fornecem diferentes níveis de precisão das
previsões dependendo do alvo do DM.
Resumimos os principais resultados aqui abaixo:
𝑖) As ferramentas de ML são uma solução
promissora para fazer previsões do conteúdo de
DM em galáxias a partir de uma série de medições
fotométricas, espectroscópicas e estruturais
simples. Os resultados obtidos neste trabalho, no
entanto, baseiam-se em “observáveis luminosos”
idealizados e as precisões alcançadas neste
primeiro experimento são possivelmente muito
otimistas. Isto não afeta a conclusão sobre a
aplicabilidade destas técnicas, mas encoraja-nos a
avançar no desenvolvimento destas ferramentas
utilizando maior realismo nos conjuntos de dados
simulados. Estes últimos serão usados para treinar
ferramentas de ML para fazer previsões sobre o
conteúdo de DM de galáxias reais em
levantamentos fotométricos e espectroscópicos de
próxima geração;
𝑖𝑖) As características estruturais e fotométricas são
particularmente eficazes para a previsão de DM
do raio de meia massa estelar (0,88 .𝑅2 . 0,94) e a
previsão de DM dentro do dobro da proporção de
meia massa estelar (0,90 . 𝑅2 . 0,92). Além disso,
características fotométricas se destacam para
prever a matéria MS total (𝑅2 , 0,86).
𝑖𝑖𝑖) O raio comovente contendo metade da massa
DM é o alvo mais difícil de ser determinado e
nenhum grupo de observações sozinho consegue
fazer isso (𝑅2 . 0,75), mas a análise conjunta
melhorou visivelmente as previsões dadas a todos