ROGER: Reconstructing Orbits of Galaxies in ExtremeRegions using machine learning techniques

Los cúmulos de galaxias constituyen los ambientes más extremos del Universo para la evolución de las mismas, por lo que las galaxias miembro de cúmulos van a presentar propiedades muy diferentes de las galaxias de campo o miembro de grupos menos masivos.

Por otro lado, las técnicas de aprendizaje automático (machine learning) representan un nueva forma de analizar grandes set de datos de forma homogénea y, teniendo en cuenta el volumen de datos generado por los actuales y futuros relevamientos y simulaciones, estos métodos se transformaron en una herramienta fundamental para su análisis.

En este trabajo presentamos  ROGER (Reconstructing Orbits of Galaxies in Extreme Regions), un código de aprendizaje automático que relaciona la posición de una galaxia en el espacio de fases proyectado con su órbita 3D. Este software estima, para cada galaxia, la probabilidad de pertenecer a cada clase dinámica usando solamente la información 2D del espacio de fase proyectado, es decir, su distancia al centro del cúmulo (normalizada con R200) y su velocidad relativa al centro del cúmulo en la línea de la visual (normalizada con la dispersión de velocidades).

Esté código fue entrenado y calibrado usando un catálogo sintético de cúmulos y galaxias construído en base al modelo semi-analítico SAG aplicado en la simulación cosmológica Multidark MDPL2.

ROGER es completamente público y gratuito y puede ser utilizado como un páquete de R (para más detalles ver https://github.com/Martindelosrios/ROGER) o a través de una interfaz web online https://mdelosrios.shinyapps.io/roger_shiny/.

Este proyecto fue desarrollado por Martín de los Rios, Julián Martínez, Valeria Coenda, Hernán Muriel, Andrés Ruiz, Cristian Vega y Sofia Cora y ha sido aceptado para su publicación en la revista internacional  MNRAS.

MeSsI (Merging Systems Identification)

de los rios+16 2016MNRAS.458..226D 

Los cúmulos de galaxias en fusión proveen evidencia observacional sobre la existencia de la materia oscura, y pueden ser utilizados para estimar sus principales propiedades. Es por esto, que es necesario contar con catálogos de cúmulos en interacción homogéneos para realizar estudios estadísticos. En este trabajo presentamos el código MeSsI (Merging Systems Identification algorithm), un método de aprendizaje automático para la detección automática de cúmulos en fusión. 

Este software fue entrenado y calibrado utilizando catálogos sintéticos de cúmulos en interacción identificados en simulaciones cosmológicas mediante sus árboles de fusión. El código es completamente público y gratuito y puede ser descargo y utilizado como un paquete de R (https://github.com/Martindelosrios/MeSsI).

Este proyecto fue desarrollado por Martín de los Ríos, Mariano Domínguez, Dante Paz y Manuel Merchán.