De imágenes simuladas a reales: adaptación de dominio de DeepLegato para estimar parámetros morfológicos de galaxias

Abstract

Las imágenes astronómicas capturadas por los telescopios suelen contener un perfil de luz que representa cómo la intensidad de la luz cambia a través de la imagen. Este perfil de luz puede ser ajustado a un modelo matemático, como el perfil de Sérsic, que permite la caracterización cuantitativa de las propiedades estructurales de las galaxias, tales como el tamaño, la forma, el brillo superficial, etc. El conocimiento de los parámetros estructurales de las galaxias es de fundamental interés para entender su evolución, y como interactúan con la historia del universo. Considerando su interés, en astronomía existen muchos métodos de "light profile fitting", o ajuste del perfil de luz, para determinar las características estructurales de las galaxias a través del análisis de su distribución de luz. Debido al éxito de los métodos de Deep Learning en el tratamiento de imágenes en los últimos años, en astronomía se han explorado con éxito varios métodos basados en estas técnicas para obtener parámetros estructurales a partir de imágenes de galaxias. No obstante, el uso de Deep Learning en este ámbito, presenta el desafío constante de transicionar de estimaciones fundamentadas en simulaciones a las basadas en datos reales. Este Trabajo de Fin de Máster (TFM) explora este desafío, utilizando DeepLegato, el primer método en la literatura que emplea redes convolucionales para estimar parámetros morfológicos de galaxias a partir de imágenes. En este estudio se han desarrollado y comparado sistemáticamente varias técnicas de adaptación de dominio, incluyendo transfer learning, adaptación de dominio adversarial supervisada y semi-supervisada, con el fin de evaluar su efectividad y potencial a futuro.