Distant galaxies analysis with deep neural networks

Abstract

In this work we face a very common problem in Astrophysics. One of the first parameters to obtain from a galaxy spectrum is the redshift. The redshift at which a galaxy is, can tell us a lot of things about the large scale structure of the universe. However, the telescope time is limited, and it would take a lot of time to survey the whole sky observing the spectrum of galaxies. This is the reason why surveys using narrowband photometry (for example ALHAMBRA or JPAS) are arising. These surveys allow to observe a large number of galaxies in much less time than using spectroscopy, thus making astronomers able to disentangle the structure of the Universe and the features of very distant galaxies. Traditionally, the features have been derived using the technique known as SED-fitting, which consists in deriving the features of the galaxy from its spectrum. This is not an easy problem, not only because of the large number of variables in play (velocity, velocity dispersion, age and metallicity for each single stellar population, or SSP), but because of the degeneracies. A degeneracy happens when two different SSPs show almost undistinguishable spectra. For example, a degeneracy exists between age and metallicity, with and old and metal-rich1 SSPs showing similar spectrum to that of a young and metal-poor SSPs. In this Master Thesis we evaluate the ability of Deep Neural Networks, using as input the observations of a galaxy, to obtain the parameters of the galaxy (redshift, mass and galaxy type).

En este trabajo vamos a afrontar un problema habitual en astrofísica. Uno de los primeros parámetros a medir en el espectro de una galaxia es el redshift. El desplazamiento al rojo de una galaxia puede dar mucha información acerca de la estructura a gran escala del universo. Sin embargo, el tiempo de telescopio es limitado, y llevaría mucho tiempo observar todo el cielo obteniendo el espectro de las galaxias. Por ello están proliferando los catálogos de observaciones basados en fotometría de banda estrecha (por ejemplo, ALHAMBRA o JPAS). Estos catálogos permiten observar un gran número de galaxias en mucho menos tiempo que usando espectroscopía, permitiendo a los astrónomos desentrañar la estructura del Universo a gran escala y pudiendo medir las características de las galaxias más lejanas. Tradicionalmente, las características de las galaxias se ha obtenido usando una técnica conocida como SED-fitting o ajuste espectral. Esta técnica consiste en ajustar un espectro a las observaciones fotométricas, permitiendo obtener las características de la galaxia. Este problema no es sencillo, no solo por la gran cantidad de variables involucradas, sino también por las degeneraciones existentes. Una degeneración ocurre cuando dos poblaciones estelares simples (SSP) tienen espectros prácticamente indistinguibles a pesar de que sus parámetros son completamente diferentes. Es ampliamente conocida, por ejemplo, las degeneraciones existentes entre la edad y la metalicidad, por la que una galaxia vieja y rica en metales 2 tiene un espectro muy parecido al de una galaxia joven pobre en metales. En este trabajo evaluaremos la capacidad de Redes Neuronales Profundas, usando como entrada las observaciones de una galaxia, obtener los parámetros fundamentales de dicha galaxia (desplazamiento al rojo, masa, y tipo de galaxia).

En aquest treball afrontarem un problema habitual a l'astrofísica. Un dels primers paràmetres a mesurar en l'espectre d'una galàxia és el redshift. Aquest pot donar molta informació sobre l'estructura a gran escala de l'univers. No obstant això, el temps de telescopi és limitat, i porta molt de temps observar tot el cel obtenint l'espectre de les galàxies. Per això estan proliferant els catàlegs d'observacions basats en fotometria de banda estreta (per exemple, ALHAMBRA o JPAS). Aquests catàlegs permeten observar un gran nombre de galàxies en molt menys temps que usant espectroscòpia, permetent als astrònoms desentranyar l'estructura de l'Univers a gran escala i podent mesurar les característiques de les galàxies més llunyanes. Tradicionalment, les característiques de les galàxies s'han obtingut usant una tècnica coneguda com SED-fitting o ajust espectral. Aquesta tècnica consisteix a ajustar un espectre a les observacions fotomètriques, permetent obtenir les característiques de la galàxia. Aquest problema no és senzill, no només per la gran quantitat de variables involucrades, sinó també per les degeneracions existents. Una degeneració ocorre quan dues poblacions estel·lars simples (SSP) tenen espectres pràcticament indistingibles tot i que els seus paràmetres són completament diferents. És àmpliament coneguda, per exemple, les degeneracions existents entre l'edat i la metal·licitat, per la qual una galàxia vella i rica en metalls 2 té un espectre molt semblant al d'una galàxia jove pobre en metalls. En aquest treball avaluarem la capacitat de xarxes neuronals profundes, usant com a entrada les observacions d'una galàxia, obtenint els paràmetres fonamentals d'aquesta galàxia (redshift, massa i tipus de galàxia).