Métodos alternativos de clustering para la descomposición dinámica de galaxias en simulaciones astrofísicas

Abstract

La astronomía se ha beneficiado enormemente del crecimiento constante en la capacidad de cómputo y los avances en los campos de la minería de datos y la inteligencia artificial. En particular, las modernas simulaciones hidrodinámicas han proporcionado conjuntos de datos masivos de galaxias con niveles de exactitud sin precedentes. Aprovechando estos avances, este trabajo presenta los resultados de aplicar técnicas de clustering en el área de descomposición dinámica de galaxias, un campo que busca entender cómo las diferentes partes de una galaxia contribuyen a su movimiento y evolución general. Se comparan los resultados obtenidos con los generados por técnicas ya establecidas en el área. Específicamente, se evaluaron los métodos de Hierarchical Clustering, Fuzzy C-Means y Ensemble Agglomerative Clustering, en conjunto con dos técnicas de eliminación de valores atípicos: una propia de la astronomía (Corte en la mitad del radio de masa) y otra de uso general en minería de datos (Isolation Forest).