Ricardo Salinas: Materia oscura y cúmulos globulares en galaxias elípticas aisladas

Ricardo Salinas obtuvo su doctorado en la Universidad de Concepción en 2011. Posteriormente, viajó a las gélidas tierras escandinavas para hacer un primer postdoc en el Finnish Centre for Astronomy with ESO. No satisfecho con el nivel de frío, en 2013 inició un segundo postdoc en la Michigan State University, USA. Definiéndose como un astrónomo observacional ‘completamente hardcore’, Ricardo está involucrado en varios proyectos, desde estrellas variables hasta energía oscura, aunque los cúmulos globulares ocupan 'un lugar especial en su corazón'. Lo puedes contactar en rsalinas at pa dot msu dot edu

Siendo trazadores de la formación estelar, de la distribución de masa y de procesos de acreción, el estudio de los cúmulos globulares (CGs) nos ha dado importantes pistas para entender la formación y evolución de las galaxias elípticas. Como éstas se encuentran preferentemente en cúmulos y grupos, el estudio de elípticas aisladas ha sido menos extensivo. Esto es especialmente cierto para su contenido de materia oscura y sus sistemas de CGs.

Hemos obtenido imágenes profundas de cerca de 10 galaxias elípticas aisladas usando CTIO/MOSAIC2, VLT/VIMOS y Gemini-S/GMOS, para detectar y estudiar sus CGs. Los resultados más relevantes, en estas elípticas aisladas, tienen menor frecuencia específica (número de CGs/Luminosidad de la galaxia). Es decir que a igual luminosidad de la galaxia elíptica, el número de CGs es menor en las aisladas que en una galaxia que pertenece a un grupo.

Encontramos asimismo que fracción de cúmulos ricos en metales en estas elípticas aisladas es igual o menor que las contrapartes en cúmulos de galaxias. Este resultado implica que los cúmulos globulares pobres en metales deben haber sido formados localmente, en vez de capturados desde galaxias enanas.

Perfil de dispersión de velocidad para NGC 7507. Muchos modelos usando diversas formas para el halo de materia oscura, así como distintos comportamientos para la anistropía orbital, pueden ser incluidos, pero la explicación más simple sigue siendo la mejor: un modelo sin materia oscura (línea negra continua). Extraido de Lane, Salinas & Richtler (2015) - arXiv:1502.06148

Nuestro estudio de la materia oscura en elípticas aisladas ha sido fructífero principalmente en el caso de NGC 7507 (ver Figura). Para esta galaxia encontramos que su dinámica, hasta una distancia de 15 kpc desde el centro, puede ser explicada sin necesidad de incluir un halo de materia oscura, aun cuando la predicción es que estas galaxias estén inmersas en halos oscuros masivos. Resultados preliminares en otras galaxias aisladas indican una tendencia similar.

Basado en los papers:

2015 IAUS, 309, 159 http://arxiv.org/abs/1409.6999 - Richtler, Salinas et al. 

2015 A&A, 574, A21 http://arxiv.org/abs/1411.7183 - Richtler, Salinas et al.

2015 A&A, 574, A93 http://arxiv.org/abs/1412.3402 - Lane, Salinas & Richtler

2015 A&A, accepted http://arxiv.org/abs/1502.06148 - Salinas, et al.

Matías Carrasco: Midiendo distancias a galaxias usando herramientas de Inteligencia Artificial

Matías Carrasco Kind recibió su Licenciatura en Astronomia en la Universidad Católica de Chile, estuvo en el Instituto Max Plack de Astrofísica por mas de 2 años  y actualmente esta terminando su Doctorado en la Universidad de Illinois en Urbana Champaign (UIUC) en EEUU donde trabaja en el grupo 'Laboratory for Cosmological data Mining' (LCDM). Para mas información sobre sus intereses de investigación, lista de publicaciones y biografía puedes revisar su pagina web aquí

Actualmente estamos una época de Cosmología de precisión, donde obtener una mapa tridimensional de la distribución de galaxias es fundamental para muchos análisis cosmológicos, que permiten poner restricciones en la densidad de la energía y materia oscura, ayudándonos a entender el origen, formación y evolución del Universo. La forma más directa de medir distancias es mediante el corrimiento al rojo (redshift) de lineas espectrales debido a las velocidades de recesión de las galaxias. Esta técnica es muy precisa pero también muy costosa en términos de tiempo y recursos. Obtener imágenes en distintos filtros es mucho más rápido y directo por lo que es posible obtener fotometría de galaxias mucho mas débiles en cantidades mucho mayores que usando un espectrógrafo. Programas importantes como el Dark Energy Survey (DES) o el Large Synoptic Survey Telescope (LSST) obtendrán fotometría de cientos a miles de millones de galaxias.

Figura 1. Ejemplo simplificado de un árbol binario de predicción dibujado en coordenadas polares. La raíz del árbol esta en el centro, colores individuales indican magnitudes. Cada hoja terminal (triángulos grises) puede hacer una predicción que luego es combinada con predicciones de otros árboles

Se han usado principalmemte dos técnicas para medir el redshift de una galaxia usando su fotometría. La primera y más usada es ajustar, mediante una librería espectral de galaxias, las observaciones que generalmente son tomadas con 5 a 10 filtros de magnitudes. Esto requiere mucha calibración, pero puede resultar en redshift precisos. La segunda técnica es usar una submuestra de galaxias con redshift conocidos (de otros surveys) y entrenar cierto tipo de algoritmos para predecir el redshift de las galaxias que solo tienen fotometría. Los primeros intentos ajustaron polinomios a los datos, pero recientemente nuevas y más sofisticadas técnicas han aparecido, muchas provenientes del campo de inteligencia artificial, donde el algoritmo aprende de lo que observa, buscando patrones poco obvios a simple vista. 

Dada una muestra de galaxias de entrenamiento y un buen algoritmo de aprendizaje se pueden obtener resultados muy precisos. En este campo, hemos desarrollado dos nuevas técnicas para obtener redshift fotométricos (y su distribuciones de probabilidad). La primera técnica llamada TPZ (Trees for Photo-Z) utiliza árboles de decisión y bosques aleatorios que consiste en dividir la muestra de entrenamiento recursivamente en función de sus magnitudes o colores hasta formar un árbol el cual contiene una cadena de preguntas y dependiendo las respuestas hace una predicción. Figura 1 muestra uno de estos arboles como ejemplo. La idea es generar cientos de estos arboles que difieren entre sí y cada uno da una respuesta que luego se combinan para trazar un distribución de probabilidades. Esta es una técnica supervisada donde el redshift conocido es utilizado durante el aprendizaje.

Figura 2. (Arriba) Redshift fotométricos vs. redshift espectroscópico para 50,000 galaxias tomadas del CFTHLens survey. La linea roja indica la relación  uno a uno que indica que tan precisos son los resultados. En este caso vemos que las predicciones son indistinguiblemente  buenas. (Abajo) La distribución de galaxias como función del redshift usando los redshift espectroscópicos (gris) y usando la distribución de probabilidades de los redshift fotométricos. Ambas distribuciones concuerdan casi a la perfección. Esta distribución N(z) es muy importante para análisis topográficos de la masa del Universo, entre otros usos.

La segunda técnica, (que llamamos SOMz), es no supervisada y consiste en generar una mapa en 2D donde cada celda o neurona es “deformada” tratando de imitar la topología del espacio multidimensional de magnitudes, de esta forma, estos mapas agrupan galaxias con propiedades similares. Se generan cientos de estos mapas y se combinan sus predicciones. Es un proceso iterativo que se llama auto-organizacion que es una técnica proveniente del campos de redes neuronales ya que son basadas en el funcionamiento de la comunicación neuronal en el cerebro. La Figura 2 muestra un ejemplo de resultados para 50,000 galaxias del CFTHLens survey donde vemos la precisión alcanzada por estos algoritmos. Ambas técnicas son independientes y pueden ser combinadas para generar redshift fotométricos cada vez más precisos que permitirán un acelerado descubrimiento de nuestro Cosmos.

Links:

Codigo para calcular redshift fotometricos: MLZ (Machine Learning for photo-Z)

http://lcdm.astro.illinois.edu/static/code/mlz/MLZ-1.0/doc/html/index.html

"TPZ : Photometric redshift PDFs and ancillary information by using prediction trees and random forests"
Matias Carrasco Kind, Matias & Robert J. Brunner, 2013
MNRAS, 432, 1483 ArXiv: 1303.7269

"SOMz: photometric redshift PDFs with self organizing maps and random atlas"

Matias Carrasco Kind, Matias & Robert J. Brunner, 2014
MNRAS, 438, 3409 ArXiV:1312.5753

Resumenes (en inglés, después del salto + comentarios & compartir)

Nicolás Tejos: Estudiando el medio intergaláctico dentro y fuera de vacíos de galaxias

Nicolás Tejos es investigador postdoctoral en la Universidad de California, Santa Cruz trabajando en colaboración con Prof. J. X. Prochaska. Nicolás estudió su Licenciatura y Master en la Universidad de Chile y el 2013 se graduó de doctor en la Universidad de Durham, en Inglaterra. Visita su pagina web www.ucolick.org/~ntejos para contactarlo y conocer sus temas de investigación.

Las galaxias contienen alrededor del 10% de la materia bariónica (i.e. átomos) del Universo. El restante 90% se encuentra en el medio intergaláctico (IGM por sus siglas en inglés), cuyas bajas densidades y alto grado de ionización hacen su observación una tarea difícil. En este paper usamos líneas de absorción de hidrógeno neutro (HI) en espectros de quásares en el UV (a partir de datos de telescopios espaciales como HST y FUSE) para caracterizar el IGM.

Debido a la acción de la gravedad, la distribución de galaxias en el Universo no es homogénea y sigue un patrón intrincado de planos, filamentos y nodos. Esta distribución produce vastas regiones en el Universo conteniendo una fracción muy baja del total de galaxias observadas, llamadas 'galaxy voids' ('vacíos de galaxias'). En este articulo investigamos las propiedades del IGM dentro y fuera de estos vacíos a redshifts z<0.1.

Encontramos un exceso significativo de lineas de HI en los bordes de estos vacíos, a escalas de 5 Mpc/h, consistente con lo que se espera de la distribución de galaxias. Sin embargo, al interior de estos vacíos de galaxias encontramos una distribución casi homogénea de HI. Nuestros resultados muestran que estos vacíos de galaxias no son lugares donde hay ausencia total de materia bariónica, ya que contienen una fracción significativa del total de hidrógeno en el Universo.

Fig. 1: Densidades de columna (a y b) y parámetros Doppler (c y d) observados dentro (círculos negros) y en los bordes de (cuadrados rojos) vacíos de galaxias, usando dos sistemas de coordenadas para asociar una línea a un vacío de galaxia (ver paper; los triángulos azules no se han tomado en cuenta en el estudio). Observamos un déficit de líneas de HI con densidades de columna N_HI< 10¹³ cm^-2 en los bordes de los vacíos comparado con lo que se encuentra dentro de éstos. Esto se traduce en que las distribuciones de densidades de columna dentro y fuera de vacíos de galaxias son tentativamente diferentes (a un 98% de nivel de confianza estadística). Para los parámetros Doppler, esta tendencia es menos significativa (90% de nivel de confianza estadística). Sin embargo, ambas tendencias son teóricamente esperadas.

También encontramos evidencia tentativa de que las propiedades de las lineas de HI dentro y fuera de estos vacíos son diferentes. Líneas al interior de vacíos de galaxias poseen sistemáticamente menores densidades de columna (intensidad de la linea) y parámetros Doppler (ancho de la linea) que las encontradas en los bordes de estos vacíos (ver Figura). Nuestros resultados observacionales apuntan a que del total de líneas de HI con densidades de columna N_HI>10^12.5 cm^-2, un 25-30% se encuentran al interior de vacíos de galaxias, un 55-60% se encuentran en los bordes de estos vacíos y son correlacionadas con galaxias porque siguen la misma distribución de gran escala pero no necesariamente los mismos halos, y solo un 12-15% correlacionadas con galaxias porque pertenecerían a los mismos halos.

Debido a limitaciones computacionales todavía no existe una simulación hidrodinámica lo suficientemente grande para contrastar nuestros resultados observacionales con la teoría de una manera directa. Cabe notar que estos vacíos de galaxias tienen tamaños característicos de 10 Mpc/h. Aun así, presentamos un estudio de HI en diferentes medioambientes cósmicos a partir de datos provenientes de una la simulación hidrodinámica (GIMIC) y corroboramos que al menos estas tendencias son esperadas dentro del paradigma ΛCDM.

"Large-scale structure in absorption: gas within and around galaxy voids"
N. Tejos, et al.

MNRAS 425, 245 (2012) - ArXiv:1205.2697

Resumen (en inglés, después del salto)