Medidas de linhas de emissão com aprendizagem de máquina

Abstract

Muitas galáxias são repletas de nebulosas ionizadas. Transições eletrônicas em íons dessas nebulosas emitem fótons com energias características, despontando dos espectros das galáxias como linhas de emissão. O processamento de linhas de emissão é fundamental no entendimento deste sistema físico. Por exemplo, a largura equivalente da linha espectral nebular Hα está ligada à taxa de formação estelar específica de uma galáxia, sendo também útil para quantificar a presença do gás difuso ionizado em galáxias. Dado que na astrofísica trabalha-se com cubos que contêm milhares de espectros por galáxia, é importante avaliar o método utilizado para extrair as propriedades físicas dos dados, haja vista a grande demanda computacional envolvida. Para tanto, a proposta deste trabalho consistiu no estudo da aplicação de um método de aprendizado de máquina, uma rede neural convolucional, para medir amplitude e dispersão de velocidade obtidas de linhas de emissão geradas a partir de uma função gaussiana. Os treinamentos efetuados mostram-se eficientes, apresentando grande quantidade de valores de erro relativo próximo de zero. Nota-se um viés para pequenos valores tanto de amplitude quanto de dispersão de velocidade; também percebe-se que o treinamento é mais eficiente quando a ordem de grandeza dos dados tem pouca variação e que a adição de ruído afeta mais efetivamente a dispersão de velocidade.