Diagramas y algoritmos de clasificación alternativos para distinguir el mecanismo de ionización presentes en galaxias tipo AGNs y Starburst

Abstract

Las galaxias activas se clasifican en dos grupos: AGN (núcleos activos de galaxias) e Infrarrojas - Starburst, caracterizadas por la ionización del disco de acreción y la formación estelar, respectivamente. Dentro de estas categorías se encuentran las subclases de las galaxias Seyfert y LINER, pertenecientes a las AGN. Baldwin, Phillips y Terlevich (BPT) desarrollaron un método basado en líneas espectrales para distinguirlas. El análisis se centra en el diagrama BPT y líneas de identificación en el espectro infrarrojo. El objetivo es evaluar el rendimiento de modelos de aprendizaje automático para categorizar galaxias y complementar observaciones visuales con infrarrojas. El aprendizaje automático, o Machine Learning, se presenta como una herramienta eficiente para automatizar la identificación de tipos de galaxias, lo que motiva la evaluación del diagrama BPT y la implementación de programas de aprendizaje automático para identificar galaxias según las categorías infrarrojas, Seyfert y LINER, además, de ejecutar y probar diversas dimensionalidades en la implementación de los modelos de aprendizaje automático. Este trabajo de investigación busca responder a diversas preguntas relacionadas con la eficacia y viabilidad de usar el aprendizaje automático en la identificación de galaxias. (Texto tomado de la fuente).

Active galaxies are divided into two groups: AGN (Active Galactic Nuclei) and Infrared - Starburst, distinguished by the ionization of the accretion disk and stellar formation, respectively. Within these categories are the subclasses of Seyfert and LINER galaxies, which belong to AGN. Baldwin, Phillips, and Terlevich (BPT) developed a method based on spectral lines to distinguish them. The analysis focuses on the BPT diagram and identification lines in the infrared spectrum. The goal is to evaluate the performance of machine learning models for categorizing galaxies and complementing visual observations with infrared ones. Machine learning, or ML, emerges as an efficient tool to automate the identification of galaxy types, prompting the evaluation of the BPT diagram and the implementation of machine learning programs to identify galaxies based on infrared categories, Seyfert and LINER. Additionally, it involves running and testing various dimensionalities in the implementation of machine learning models. This research aims to address various questions related to the effectiveness and feasibility of using machine learning in galaxy identification.