Aprendizaje automático para identificar poblaciones estelares en galaxias cercanas

Abstract

Se ha realizado un estudio de diferentes poblaciones estelares en galaxias cercanas. Este se ha basado en datos fotométricos multibanda obtenidos con el Hubble Space Telescope. En el análisis se han aplicado técnicas de aprendizaje automático no supervisado a fin de reconocer tanto las poblaciones estelares, como los grupos de estrellas en la población más joven. En ambos casos se han utilizado diferentes algoritmos de agrupamiento y se ha evaluado la eficiencia de los mismos. La metodología aplicada ha permitido llevar a cabo la tarea evitando el uso de criterios preconcebidos. Adicionalmente, se ha logrado caracterizar la distribución espacial de cada una de las poblaciones estelares considerando sus similitudes con una estructura de tipo fractal. De esta forma, ha sido posible identificar a las poblaciones mas jóvenes con una estructura jerárquica y a las poblaciones mas evolucionadas con distribuciones homogéneas, salvo fluctuaciones a muy gran escala.

A study of different stellar populations in nearby galaxies has been carried out. This has been based on multi-band photometric data obtained with the Hubble Space Telescope. In the analysis, unsupervised machine learning techniques have been applied in order to recognize both the stellar populations and the groups of stars in the youngest population. In both cases, different clustering algorithms have been used and their efficiency has been evaluated. The applied methodology has allowed to carry out the task without the need for preconceived criteria. Additionally, it has been possible to characterize the spatial distribution of each of the stellar populations considering their similarities with a fractal-type structure. In this way, it has been possible to identify the youngest populations with a hierarchical structure and the more evolved populations with homogeneous distributions, except for fluctuations on a very large scale.