Characterizing Galaxies Using Non-Parametric Methods Within the IllustrisTNG Cosmological Simulation Framework

Abstract

Las galaxias son sistemas fundamentales para el estudio del cosmos, compuestas por gas, polvo, estrellas y materia oscura. Presentan una gran variedad de morfologías, estructuras y propiedades físicas que reflejan una historia de procesos físicos y evolutivos ocurridos a lo largo de miles de millones de años. Esto permite interpretar los distintos tipos de galaxias como parte de una secuencia evolutiva, influida por procesos internos y por efectos del entorno. En este contexto, la clasificación morfológica de galaxias, lejos de ser un simple ejercicio descriptivo, resulta esencial para establecer un orden y estudiar los procesos evolutivos que moldean su estructura y propiedades. Sin embargo, no existe un criterio único que capture plenamente la riqueza morfológica de las galaxias, y las diversas formas de caracterizarla no siempre coinciden, generando incertidumbre. El objetivo de este trabajo es comparar dos métodos no paramétricos de clasificación morfológica: los índices CAS (Concentración, Asimetría y Suavidad) y Deep Learning (DL), utilizando la simulación cosmológica IllustrisTNG (TNG100). Para ello, se establecieron dos muestras puras:Galaxias cuya clasificación morfológica en DL tiene una probabilidad nueve veces mayor que otras morfologías. Galaxias con parámetros CAS dentro de rangos estrechos que permiten asignarles un tipo morfológico. El análisis comenzó explorando cómo varían las propiedades físicas según las clasificaciones CAS y DL, para luego realizar una comparación cruzada y analizar coherencias o discrepancias. Finalmente, se compararon ambas clasificaciones en planos de propiedades fundamentales, como sSFR vs. masa estelar y fracción de gas vs. masa estelar. Los resultados muestran que ambos métodos separan eficazmente galaxias de tipo temprano y tardío, con límites claros en color ≈ 0,6 y sSFR ≈ 10⁻¹¹ yr⁻¹, en concordancia con la literatura. Sin embargo, DL presenta limitaciones con galaxias de baja masa estelar (M⋆ ≤ 10¹⁰.⁵ M⊙), atribuibles a la resolución de TNG100. CAS, aunque más detallado estructuralmente, puede excluir galaxias al imponer rangos estrictos, reduciendo la representatividad. Se concluye que ambos métodos son complementarios: CAS mejora la clasificación de elípticas enanas, mientras que DL es eficiente para tipos generales (temprano/tardío), pero menos preciso para morfologías intermedias como lenticulares o espirales tardías. Destaca la categoría “Early Spiral” en CAS, que agrupa galaxias con características de morfologías transitorias, lo que sugiere un posible cambio de denominación para reflejar mejor su naturaleza. Como trabajo futuro, se propone incluir parámetros adicionales como índices Gini y M20, índice de Sérsic, elipticidad y momento angular específico, así como replicar el análisis en simulaciones de mayor resolución (TNG50) e incorporar clasificación visual humana. Esto permitirá un sistema de clasificación más robusto y una comprensión más profunda de la diversidad morfológica galáctica.