Как отличить галактику, побывавшую в центре скопления ✛

Оригинал: "Identifying backsplash galaxies using machine learning"
arXiv:2607.26136v1 · 2026-07-28 · CC BY 4.0 · 1 мин
Метод машинного обучения по расстоянию, скорости и другим наблюдаемым признакам определяет, проходила ли галактика через ядро скопления или падает впервые.

В созвездии Девы галактика NGC 4254 тащит хвост холодного газа. Это значит, она на скорости влетает в раскалённую среду скопления и теряет топливо для рождения звёзд. Но однажды она уже могла здесь пролететь — и тогда её нынешний вид обманчив. Отличить «новичка» от «возвращенца» по снимкам почти невозможно, а от этого зависит понимание, как окружение переделывает галактики.

Астрономы натренировали компьютерную программу на сотнях симуляций, где известны все орбиты. Программа — это «случайный лес» (алгоритм, который собирает ответы от множества простых решающих правил и выдаёт итоговую оценку). Она анализирует то, что можно измерить с Земли: расстояние до центра скопления, лучевую скорость (определяемую по спектру), направление движения по небу, число близких соседей. Даже если часть данных отсутствует, лес подстраивается и всё равно отличит возвращенца от новичка с точностью около 84%.

Ключевая цифра: обученный на 324 модельных скоплениях классификатор достигает точности 84%. Это как если бы опытный дегустатор безошибочно отличал два очень похожих сорта кофе.

Когда программу применили к реальным галактикам с хвостами в скоплении Девы, все они оказались новичками. Значит, раскалённый газ срывает холодное топливо при первом же проходе, и второго шанса у галактики нет. Теперь, отделяя «чистые» группы возвращенцев и новичков, учёные смогут понять, как именно скопления гасят рождение звёзд — шаг за шагом.

Вопреки ожиданиям, 91% галактик-возвращенцев в симуляциях прошли сквозь самый центр скопления — внутри 0.7 R200 — прежде чем отскочить обратно. Далеко не все из них успевают улететь: лишь 10% «доплескивают» дальше 2 R200.

Учёные
Rashid Alievich SunyaevNancy Grace RomanR. Brent Tully
Понятия
скопление галактик рассеянное скопление кластеризация звёздное население галактики ранней Вселенной астрофизика с ИИ машинное обучение классификатор картирование галактик нейронной сетью созвездие генеративная модель первые звёзды выбор модели звёздный поток аномалия прозрачности пыли химическая галактическая археология кластеризация методом k-средних классификация классификация изображений тройная система