Metodi di apprendimento non supervisionato per l’analisi di mappe di estinzione in Astrofisica

In Astronomia, si definisce “estinzione” il fenomeno di assorbimento e deflessione caotica (scattering) di radiazione elettromagnetica nei gas e nelle polveri cosmiche interposte tra una sorgente emittente e l’osservatore. Tale fenomeno è dovuto sia alla presenza dell’atmosfera terrestre, sia al cosiddetto mezzo interstellare (ISM), che si interpongono tra l’osservatore e l’oggetto osservato. In particolare, l’estinzione non è facilmente quantificabile in quanto le immagini astronomiche sono bi-dimensionali (mancano cioè dell’informazione in profondità), per cui la quantità effettiva di attenuazione della luce dovuta all’estinzione non ha a priori caratteristiche immediatamente distinguibili tra fotoni provenienti dall’ISM diffuso nella regione d’interesse e quello presente in regioni remote poste davanti o dietro la zona osservata. Questo lavoro, di carattere fortemente multi-disciplinare, consiste nello studio di applicabilità di tecniche non supervisionate di machine learning all’image processing, focalizzando l’attenzione su problemi di edge detection e clustering in ambito astrofisico. Il metodo di clustering multi-stadio, ossia basato sul clustering con algoritmi di machine learning a cascata, e in particolare la rete SOM + K-Means ha permesso di ottenere i migliori risultati, circoscrivendo al meglio lo spazio dei parametri specifico per il tipo di dati in esame. Dal confronto con i risultati del metodo tradizionale, presenti in letteratura, in termini di misurazione della massa dell’estinzione e conformazione delle mappe d’estinzione in varie sotto-regioni, si è evidenziata una maggiore precisione nel circoscrivere le diverse distribuzioni di densità di estinzione, mantenendo valori di massa congruenti.