Нейросеть по картам эмиссии предсказала движение холодного газа вокруг галактик
Астрономы предложили новый способ изучать движение холодного газа в гало галактик — так называемой окологалактической среде (circumgalactic medium, CGM). Этот газ играет важную роль в эволюции галактик, но его трёхмерная динамика долгое время оставалась практически недоступной для наблюдений.
В работе, опубликованной в архиве препринтов arXiv, исследователи использовали свёрточную нейронную сеть для предсказания скоростей холодных газовых облаков по данным об их распределении. Обучение проходило на симуляции TNG50 — одном из самых детальных космологических расчётов формирования галактик.
Для обучения сети были построены карты излучения в линии H-альфа для 182 галактик-аналогов Млечного Пути и Андромеды. Затем с помощью спектрофотометрического кода Cloudy учёные смоделировали ожидаемый уровень шума, соответствующий будущим наблюдательным инструментам. На основе этих данных нейросеть с архитектурой UNet училась восстанавливать карты скоростей в плоскости неба по эмиссионным картам.
Оказалось, что модель в целом правильно угадывает направление потоков газа. При глубине наблюдений, которую планируется достичь на телескопе MOTHRA, типичная ошибка предсказания направления скорости составляет от 0,3 до 0,5 вириальной скорости галактики. Это сравнимо с характерными скоростями движения газа в гало.
Как отмечают авторы, это означает, что двумерные карты эмиссии достаточной глубины могут дать сразу две дополнительные фазовые координаты холодного газа CGM. Раньше для этого требовались гораздо более сложные наблюдения или моделирование.
Практическая ценность подхода — в возможности нацеливать последующие наблюдения на наиболее интересные области гало и лучше понимать глобальную циркуляцию газа вокруг галактик. Метод особенно актуален в преддверии ввода в строй новых инструментов, способных получать глубокие карты эмиссии в линии H-альфа.
Исследование пока носит теоретический характер и основано на данных симуляций, однако его результаты уже показывают, как нейросети могут помочь астрономам извлекать информацию, недоступную традиционным методам анализа.
