[논문 리뷰] A Robust Study of High-Redshift Galaxies: Unsupervised Machine Learning for Characterising morphology with JWST up to z ~ 8

Clár-Bríd Tohill, S. P. Bamford외 5명|arXiv (Cornell University)|2023. 06. 29.

Spectroscopy and Chemometric AnalysesChemistry인용 수 3

한 줄 요약

이 연구는 JWST/NIRCam 이미지를 사용하여 고적색편이(z > 2)은 6,869개의 고적색편이 은하에서 내재된 형태학적 특징을 추출하기 위해 변분 오토인코더(Variational Auto-encoders)를 활용한 비지도 기계학습 프레임워크를 제안한다. 이 연구는 11개의 구분되는 물리적으로 의미 있는 형태학적 유형을 규명하였으며, 관측 편향을 제거하고 적색편이가 증가함에 따라 타원은하의 수가 감소하는 경향을 드러내며, 기존의 시각적 분류 방식이 초기 우주의 형태학적 복잡성을 포착하지 못함을 입증한다. 이에 따라 데이터 기반의 개선된 분류 체계를 제안한다.

ABSTRACT

Galaxy morphologies provide valuable insights into their formation processes, tracing the spatial distribution of ongoing star formation and encoding signatures of dynamical interactions. While such information has been extensively investigated at low redshift, it is crucial to develop a robust system for characterising galaxy morphologies at earlier cosmic epochs. Relying solely on the nomenclature established for low-redshift galaxies risks introducing biases that hinder our understanding of this new regime. In this paper, we employ variational auto-encoders to perform feature extraction on galaxies at z $>$ 2 using JWST/NIRCam data. Our sample comprises 6869 galaxies at z $>$ 2, including 255 galaxies z $>$ 5, which have been detected in both the CANDELS/HST fields and CEERS/JWST, ensuring reliable measurements of redshift, mass, and star formation rates. To address potential biases, we eliminate galaxy orientation and background sources prior to encoding the galaxy features, thereby constructing a physically meaningful feature space. We identify 11 distinct morphological classes that exhibit clear separation in various structural parameters, such as CAS-$M_{20}$, Sérsic indices, specific star formation rates, and axis ratios. We observe a decline in the presence of spheroidal-type galaxies with increasing redshift, indicating a dominance of disk-like galaxies in the early universe. We demonstrate that conventional visual classification systems are inadequate for high-redshift morphology classification and advocate the need for a more detailed and refined classification scheme. Leveraging machine-extracted features, we propose a solution to this challenge and illustrate how our extracted clusters align with measured parameters, offering greater physical relevance compared to traditional methods.

연구 동기 및 목표

• 고적색편이(z > 2)에서 기존의 시각적 분류 체계가 클러스터링, 비정상적이고 불규칙한 형태로 인해 실패하는 상황에서, 편향 없는 형태학적 분류 체계를 개발하는 것.
• 은하의 방향, 배경 소스, 이미지 노이즈 등의 편향을 제거하기 위해 입력 데이터를 표준화하여 특징 추출 전에 처리하는 것.
• 은하의 별 형성률, 구조적 파rameter, Sersic 지수 등의 물리적 특성을 반영하는 비지도 학습을 통해 내재된 형태학적 유형을 식별하는 것.
• JWST에서 증가하는 데이터 양을 감안할 때, 기존의 명칭 체계에 대한 대체로 확장 가능하고 물리적으로 의미 있는 분류 체계를 제공하는 것.
• 우주의 시간에 따라 형태학적 유형과 물리적 파rameter를 연결함으로써 향후 은하 진화 연구를 가능하게 하는 것.

제안 방법

• CEERS 및 CANDELS 영역의 고적색편이 은하에 대한 휴대형 광학 이미지에서 저차원, 분리된 특징을 추출하기 위해 변분 오토인코더(Variational Auto-encoders, VAEs)를 활용한다.
• 은하의 방향, 배경 소스, 노이즈를 제거하여 사전 처리함으로써 학습된 특징이 관측 오차가 아닌 내재된 형태학적 특성만 반영하도록 보장한다.
• VAE 임bedded 특징에 계층적 군집 분석을 적용하여 사전 레이블 없이도 11개의 명확히 구분되는 자기 유사 형태학적 유형을 식별한다.
• 구조적 파rameter—CAS-M20, Sersic 지수, 축 비율, 특별별 형성률(sSFR)—를 사용하여 군집의 유효성과 해석 가능성을 검증한다.
• 비지도 군집과 기존의 시각적 분류 체계를 비교하여 물리적 관련성과 분리 정도를 평가한다.
• 적색편이에 따른 일관성을 확보하기 위해 JWST/NIRCam의 휴대형 광학 이미징을 활용하여 UV 형태학적 편향을 방지한다.

Figure 1: Distribution of the apparent $H_{160}$ magnitude of our galaxy sample vs. half-light radius in pixels. The resolution from NIRCam is $0.03^{\prime\prime}$ and $0.063^{\prime\prime}$ per pixel for $0.6-2.3\mu m$ and $2.3-5\mu m$ respectively. Our sample is measured from the JWST CEERS imagi

실험 결과

연구 질문

• RQ1 비지도 기계학습이 사전 정의된 시각적 카테고리에 의존하지 않고 고적색편이 은하에서 물리적으로 의미 있는 형태학적 유형을 추출할 수 있는가?
• RQ2 특히 타원형과 디스크형 유형의 경우, 고적색편이 z > 2에서 형태학적 분포가 우주의 시간에 따라 어떻게 변화하는가?
• RQ3 기존의 시각적 분류 체계는 클러스터링이나 교란된 디스크와 같은 복잡한 고적색편이 형태를 얼마나 잘 구분하지 못하는가?
• RQ4 비지도 방법으로 식별된 고유한 형태학적 유형을 가장 잘 특징짓는 구조적 및 물리적 파rameter는 무엇인가?
• RQ5 추출된 형태학적 특징은 별 형성률 및 Sersic 지수와 같이 물리적 특성과 신뢰성 있게 연결될 수 있는가?

주요 결과

• 이 연구는 JWST/NIRCam 데이터를 기반으로 한 비지도 학습을 통해 고적색편이 은하 6,869개(z > 2)에서 11개의 명확히 구분되는 형태학적 유형을 식별하였으며, z > 5인 은하 255개를 포함한다.
• 형태학적 유형은 CAS-M20, Sersic 지수, 축 비율, sSFR 등 물리적 파rameter 공간에서 잘 분리되어 있어 강한 물리적 일관성을 보인다.
• 적색편이가 증가함에 따라 타원형 유형의 은하 비율이 명확히 감소하는 경향을 보이며, 이는 이전 연구 결과를 확인하고 초기 우주에서 디스크 유형, 클러스터링 및 교란된 형태의 지배적 특성을 뒷받침한다.
• 기존의 시각적 분류 체계는 비타원형 유형—특히 디스크형과 특이 은하—를 잘 분리하지 못하여 더 세밀하고 데이터 기반의 분류 체계가 필요함을 시사한다.
• 이전 연구가 종종 수백 개의 모호한 유형을 도출하는 데에 머물렀던 데 비해, 비지도 방법은 더 적고, 더 잘 분리되며 물리적으로 해석 가능한 군집을 생성한다.
• 특징 공간은 물리적으로 의미가 있으며, 방향성 및 배경 오염을 배제함으로써 모델이 내재된 형태학적 구조에 집중할 수 있도록 한다.

Figure 2: Distribution of the stellar masses of galaxies within our matched sample vs redshift. Red line shows mass cut at $10^{8.5}M_{\odot}$ . Galaxies above this mass are utilised in this work which is above the completeness limit at all redshifts.