Aprendiendo la Red Cósmica: Clasificación Basada en Grafos de Galaxias Simuladas por sus Entornos de Materia Oscura

Resumen: Presentamos un nuevo clasificador de aprendizaje automático basado en grafos para identificar los entornos de la red cósmica de materia oscura de las galaxias. Los amplios estudios de galaxias ofrecen vistas estadísticas completas de cómo las propiedades de las galaxias están moldeadas por la estructura a gran escala, pero esto requiere clasificaciones robustas de los entornos de la red cósmica de las galaxias. Usando galaxias seleccionadas por masa estelar del modelo IllustrisTNG-300, aplicamos un marco basado en simulaciones en tres etapas para vincular las galaxias a la distribución total de materia subyacente (principalmente oscura). Aquí, aplicamos los siguientes tres pasos: Primero, asignamos las posiciones de las galaxias simuladas a un entorno de vacío, pared, filamento o cúmulo utilizando la clasificación T-web de la distribución de materia subyacente. Segundo, construimos una triangulación de Delaunay de la distribución de galaxias para resumir la estructura geométrica local con diez métricas gráficas para cada galaxia. Tercero, entrenamos una red de atención en grafos (GAT) sobre las métricas gráficas de cada galaxia para predecir su entorno de la red cósmica. Para galaxias con masa estelar 10⁹ M, nuestro modelo GAT+ logra una precisión del 85%, superando perceptrones multicapa y redes convolucionales en grafos convencionales. Nuestros resultados demuestran que las representaciones basadas en grafos de las posiciones de las galaxias proporcionan una forma poderosa y físicamente significativa de inferir los entornos de materia oscura. Planeamos aplicar este modelado gráfico basado en simulaciones para investigar cómo las propiedades de las galaxias observadas en la encuesta del Instrumento Espectroscópico de Energía Oscura (DESI) se ven influenciadas por sus entornos de materia oscura.