30mila galassie scoperte da Galaxy Cruise

La sinergia tra scienziati cittadini e AI sta producendo risultati notevoli

Alcune galassie del campione osservate dal telescopio Subaru.

Ogni notte serena un telescopio professionale raccoglie una mole notevole di dati. Spesso questi dati sono commissionati per studi mirati mentre altre volte per osservazioni di rassegna. Questi ultimi vanno così a incrementare gli archivi fruibili dalla comunità astronomica internazionale, spesso dopo un’analisi sommaria. In quelle immagini sono talvolta celati veri tesori astrofisici e c’è il concreto rischio di non essere portati alla luce per assenza di personale che le analizzi.

L’avvento dell’AI

Da qualche tempo, l’intelligenza artificiale (AI) è entrata a far parte degli strumenti che gli astronomi utilizzano per estrapolare informazioni e riconoscere strutture. Per quanto evoluta, l’AI però ancora fallisce nel riconoscere oggetti non convenzionali oppure in grandi varietà di forme, cosa che invece riesce molto bene all’occhio umano. Nei programmi di citizen science, all’analisi demandata ai volontari attraverso piattaforme standard, si sta affiancando l’AI. La sinergia uomo/algoritmi sta dando frutti interessanti in vari ambiti e uno di questi è il programma “Galaxy Cruise.

Schermata dell’home page del progetto Galaxy Cruise. Il sito offre una sezione di apprendimento guidato e la sezione dedicata alla classificazione. L’interfaccia è molto intuitiva ed essenziale.

Galaxy Cruise

In partecipanti a Galaxy Cruise hanno svolto classificazioni morfologiche visuali su 930 gradi quadrati di cielo ripresi dall’Hyper Suprime-Cam (HSC) applicata al Telescopio Giapponese Subaru. Nell’area sono state rivelate 687.859 galassie spirali e ad anello sino alla magnitudine 20 nel rosso. 59.854 di esse sono nel campione principale, invece 628005 galassie a z = 0,01–0,3 fanno parte di un sottocampione esteso.

Mappa schematica della regione indagata.

Per la loro classificazione i promotori del progetto hanno creato un set dati etichettati per l’apprendimento dei volontari e spiegare cosa ricercare e come classificare. L’azione cumulativa di circa 10mila volontari è inoltre servita per addestrare l’algoritmo di deep learning preposto al riconoscimento automatico delle galassie e discriminare le spirali da quelle ad anello.

Seconda stagione in corso

Pur suddivisa tra migliaia di volontari, la classificazione non è conclusa ed è tuttora in corso la seconda fase per indagare le galassie interagenti. I volontari dovranno classificare circa 30mila deboli sorgenti non figuranti nella prima stagione.

L’intelligenza artificiale può condurre classificazioni rapidamente, ma prima deve essere addestrata su un catalogo di esempi di classificazione preparati dagli esseri umani. Dell’addestramento se n’è occupato un gruppo internazionale guidato da Rhythm Shimakawa della Waseda University.

Dall’alto al basso, immagini ritagliate selezionate casualmente di galassie a spirale per l’addestramento del modello (prima fila), quelle rilevate dal modello addestrato (seconda-sesta fila), galassie ad anello per l’addestramento del modello (settima fila) e quelle rilevate dal modello addestrato. modello (ottava-dodicesima fila), rispettivamente.
[Figura tratta da: Rhythm Shimakawa, Masayuki Tanaka, Kei Ito, Makoto Ando – Publications of the Astronomical Society of Japan (2024)]

Primi risultati

L’analisi ha portato alla scoperta di 31864 galassie a spirale e 8808 ad anello per il campione principale (rispettivamente 385449 e 33993 se combinate con il sottocampione), pari rispettivamente al 53% e il 15%. Questo implica che le galassie ad anello sono in numero leggermente maggiore rispetto alle vecchie stime, attestate al 5%. Oltre alla previsione della probabile struttura a spirale o anello della sorgente, il programma permette la pubblicazione di un catalogo morfologico con le proprietà generali delle galassie, nonché stima della massa stellare e SFR per tutti gli oggetti. Il catalogo completo delle sorgenti è disponibile sul sito web.

L’analisi ha mostrato che, in media, le galassie ad anello mostrano caratteristiche intermedie tra quelle a spirale e quelle ellittiche, come già mostrato dalle simulazioni. Uno dei risultati più interessanti riguarda l’aumento confermato della frazione delle galassie spirali con massa inferiore e, cosa più interessante, l’osservazione di un plateau nella frazione ad anello intorno al valore di 10¹¹ masse solari. Inoltre, negli ambienti degli ammassi, le frazioni delle galassie sia a spirale sia ad anello diminuiscono verso il centro a causa della frazione decrescente di quelle a disco, nota come relazione morfologia-densità.

Lavoro apprezzato

Del risultato Galaxy Cruise DR1 si dichiara molto soddisfatto Shimakawa: “Sebbene la classificazione AI richieda meno di un’ora anche per 700.000 galassie, questo lavoro non può essere svolto senza i dati raccolti da Galaxy Cruise negli ultimi due anni. Ringraziamo tutti gli astronomi cittadini che partecipano al progetto. Spero di vedere più risultati di collaborazione in futuro”.

Galaxy Cruise è stata infatti condotta in una regione di cielo circoscritta e questo comporta alcune limitazioni anche in termini di qualità delle immagini. Inoltre, la classificazione degli anelli deve essere migliorata per distinguere tra interni, esterni e pseudo-anelli per determinare in modo dettagliato i meccanismi di formazione. In sostanza, la ricerca fornisce importanti indicazioni su tali tipi di galassie ma le conclusioni non possono essere definitive.

Sviluppi futuri con Euclid

Sono infatti necessarie osservazioni per analizzare i meccanismi di formazione e dissipazione delle strutture a spirale e ad anello. Così come osservazioni submillimetriche e spettroscopiche, per risolvere le proprietà cinematiche e del gas freddo. Informazioni dettagliate in merito sono attese dall’Euclid Wide Survey in corso con lo strumento VIS.

Iscriviti alla newsletter

Email: accetto non accetto
Informazioni su Giuseppe Donatiello 353 Articoli
Nato nel 1967, astrofilo da sempre. Interessato a tutti gli aspetti dell'astronomia, ha maturato una predilezione per il deep-sky, in particolare verso i temi riguardanti il Gruppo Locale e l'Universo Locale. Partecipa allo studio dei flussi stellari in galassie simili alla Via Lattea mediante tecniche di deep-imaging. Ha scoperto sei galassie nane vicine: Donatiello I (2016), Donatiello II, III e IV nel sistema di NGC 253 (2020), Pisces VII (2020) e Pegasus V (2021) nel sistema di M31. Astrofotografo e autore di centinaia di articoli, alcuni con revisione paritaria.