ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques

Autores
de Los Rios, Martín Emilio; Martínez, Héctor J.; Coenda, Valeria; Muriel, Hernan; Ruiz, Andrés Nicolás; Vega Martínez, Cristian Antonio; Cora, Sofia Alejandra
Año de publicación
2020
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
We present the ROGER (Reconstructing Orbits of Galaxies in Extreme Regions) code, which uses three different machine learning techniques to classify galaxies in, and around, clusters, according to their projected phase-space position. We use a sample of 34 massive, M200 > 1015h-1M⊙, galaxy clusters in the MultiDark Planck 2 (MDLP2) simulation at redshift zero. We select all galaxies with stellar mass M∗ ≥ 108.5h-1M⊙, as computed by the semi-analytic model of galaxy formation SAG, that are located in, and in the vicinity of, these clusters and classify them according to their orbits. We train ROGER to retrieve the original classification of the galaxies from their projected phase-space positions. For each galaxy, ROGER gives as output the probability of being a cluster galaxy, a galaxy that has recently fallen into a cluster, a backsplash galaxy, an infalling galaxy, or an interloper. We discuss the performance of the machine learning methods and potential uses of our code. Among the different methods explored, we find the K-Nearest Neighbours algorithm achieves the best performance.
Fil: de Los Rios, Martín Emilio. South American Institute For Fundamental Research.; Brasil
Fil: Martínez, Héctor J.. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Coenda, Valeria. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Muriel, Hernan. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Ruiz, Andrés Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Vega Martínez, Cristian Antonio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Astrofísica La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas. Instituto de Astrofísica La Plata; Argentina
Fil: Cora, Sofia Alejandra. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Astrofísica La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas. Instituto de Astrofísica La Plata; Argentina
Materia
GALAXIES: CLUSTERS: GENERAL
GALAXIES: KINEMATICS AND DYNAMICS
METHODS: ANALYTICAL
METHODS: NUMERICAL
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/130247
Acceder
id CONICETDig_b0cb66209ebaa7de134b5a11c870c4d7
oai_identifier_str oai:ri.conicet.gov.ar:11336/130247
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniquesde Los Rios, Martín EmilioMartínez, Héctor J.Coenda, ValeriaMuriel, HernanRuiz, Andrés NicolásVega Martínez, Cristian AntonioCora, Sofia AlejandraGALAXIES: CLUSTERS: GENERALGALAXIES: KINEMATICS AND DYNAMICSMETHODS: ANALYTICALMETHODS: NUMERICALhttps://purl.org/becyt/ford/1.3https://purl.org/becyt/ford/1We present the ROGER (Reconstructing Orbits of Galaxies in Extreme Regions) code, which uses three different machine learning techniques to classify galaxies in, and around, clusters, according to their projected phase-space position. We use a sample of 34 massive, M200 > 1015h-1M⊙, galaxy clusters in the MultiDark Planck 2 (MDLP2) simulation at redshift zero. We select all galaxies with stellar mass M∗ ≥ 108.5h-1M⊙, as computed by the semi-analytic model of galaxy formation SAG, that are located in, and in the vicinity of, these clusters and classify them according to their orbits. We train ROGER to retrieve the original classification of the galaxies from their projected phase-space positions. For each galaxy, ROGER gives as output the probability of being a cluster galaxy, a galaxy that has recently fallen into a cluster, a backsplash galaxy, an infalling galaxy, or an interloper. We discuss the performance of the machine learning methods and potential uses of our code. Among the different methods explored, we find the K-Nearest Neighbours algorithm achieves the best performance.Fil: de Los Rios, Martín Emilio. South American Institute For Fundamental Research.; BrasilFil: Martínez, Héctor J.. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; ArgentinaFil: Coenda, Valeria. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; ArgentinaFil: Muriel, Hernan. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; ArgentinaFil: Ruiz, Andrés Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; ArgentinaFil: Vega Martínez, Cristian Antonio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Astrofísica La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas. Instituto de Astrofísica La Plata; ArgentinaFil: Cora, Sofia Alejandra. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Astrofísica La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas. Instituto de Astrofísica La Plata; ArgentinaWiley Blackwell Publishing, Inc2020-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/130247de Los Rios, Martín Emilio; Martínez, Héctor J.; Coenda, Valeria; Muriel, Hernan; Ruiz, Andrés Nicolás; et al.; ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques; Wiley Blackwell Publishing, Inc; Monthly Notices of the Royal Astronomical Society; 500; 2; 1-2020; 1784-17940035-87111365-2966CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/url/https://academic.oup.com/mnras/advance-article/doi/10.1093/mnras/staa3339/5942674info:eu-repo/semantics/altIdentifier/doi/10.1093/mnras/staa3339info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:59:41Zoai:ri.conicet.gov.ar:11336/130247instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:59:41.629CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
title ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
spellingShingle ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
de Los Rios, Martín Emilio
GALAXIES: CLUSTERS: GENERAL
GALAXIES: KINEMATICS AND DYNAMICS
METHODS: ANALYTICAL
METHODS: NUMERICAL
title_short ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
title_full ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
title_fullStr ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
title_full_unstemmed ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
title_sort ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques
dc.creator.none.fl_str_mv de Los Rios, Martín Emilio
Martínez, Héctor J.
Coenda, Valeria
Muriel, Hernan
Ruiz, Andrés Nicolás
Vega Martínez, Cristian Antonio
Cora, Sofia Alejandra
author de Los Rios, Martín Emilio
author_facet de Los Rios, Martín Emilio
Martínez, Héctor J.
Coenda, Valeria
Muriel, Hernan
Ruiz, Andrés Nicolás
Vega Martínez, Cristian Antonio
Cora, Sofia Alejandra
author_role author
author2 Martínez, Héctor J.
Coenda, Valeria
Muriel, Hernan
Ruiz, Andrés Nicolás
Vega Martínez, Cristian Antonio
Cora, Sofia Alejandra
author2_role author
author
author
author
author
author
dc.subject.none.fl_str_mv GALAXIES: CLUSTERS: GENERAL
GALAXIES: KINEMATICS AND DYNAMICS
METHODS: ANALYTICAL
METHODS: NUMERICAL
topic GALAXIES: CLUSTERS: GENERAL
GALAXIES: KINEMATICS AND DYNAMICS
METHODS: ANALYTICAL
METHODS: NUMERICAL
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.3
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv We present the ROGER (Reconstructing Orbits of Galaxies in Extreme Regions) code, which uses three different machine learning techniques to classify galaxies in, and around, clusters, according to their projected phase-space position. We use a sample of 34 massive, M200 > 1015h-1M⊙, galaxy clusters in the MultiDark Planck 2 (MDLP2) simulation at redshift zero. We select all galaxies with stellar mass M∗ ≥ 108.5h-1M⊙, as computed by the semi-analytic model of galaxy formation SAG, that are located in, and in the vicinity of, these clusters and classify them according to their orbits. We train ROGER to retrieve the original classification of the galaxies from their projected phase-space positions. For each galaxy, ROGER gives as output the probability of being a cluster galaxy, a galaxy that has recently fallen into a cluster, a backsplash galaxy, an infalling galaxy, or an interloper. We discuss the performance of the machine learning methods and potential uses of our code. Among the different methods explored, we find the K-Nearest Neighbours algorithm achieves the best performance.
Fil: de Los Rios, Martín Emilio. South American Institute For Fundamental Research.; Brasil
Fil: Martínez, Héctor J.. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Coenda, Valeria. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Muriel, Hernan. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Ruiz, Andrés Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Instituto de Astronomía Teórica y Experimental. Universidad Nacional de Córdoba. Observatorio Astronómico de Córdoba. Instituto de Astronomía Teórica y Experimental; Argentina
Fil: Vega Martínez, Cristian Antonio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Astrofísica La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas. Instituto de Astrofísica La Plata; Argentina
Fil: Cora, Sofia Alejandra. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Astrofísica La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Astronómicas y Geofísicas. Instituto de Astrofísica La Plata; Argentina
description We present the ROGER (Reconstructing Orbits of Galaxies in Extreme Regions) code, which uses three different machine learning techniques to classify galaxies in, and around, clusters, according to their projected phase-space position. We use a sample of 34 massive, M200 > 1015h-1M⊙, galaxy clusters in the MultiDark Planck 2 (MDLP2) simulation at redshift zero. We select all galaxies with stellar mass M∗ ≥ 108.5h-1M⊙, as computed by the semi-analytic model of galaxy formation SAG, that are located in, and in the vicinity of, these clusters and classify them according to their orbits. We train ROGER to retrieve the original classification of the galaxies from their projected phase-space positions. For each galaxy, ROGER gives as output the probability of being a cluster galaxy, a galaxy that has recently fallen into a cluster, a backsplash galaxy, an infalling galaxy, or an interloper. We discuss the performance of the machine learning methods and potential uses of our code. Among the different methods explored, we find the K-Nearest Neighbours algorithm achieves the best performance.
publishDate 2020
dc.date.none.fl_str_mv 2020-01
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/130247
de Los Rios, Martín Emilio; Martínez, Héctor J.; Coenda, Valeria; Muriel, Hernan; Ruiz, Andrés Nicolás; et al.; ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques; Wiley Blackwell Publishing, Inc; Monthly Notices of the Royal Astronomical Society; 500; 2; 1-2020; 1784-1794
0035-8711
1365-2966
CONICET Digital
CONICET
url http://hdl.handle.net/11336/130247
identifier_str_mv de Los Rios, Martín Emilio; Martínez, Héctor J.; Coenda, Valeria; Muriel, Hernan; Ruiz, Andrés Nicolás; et al.; ROGER: Reconstructing orbits of galaxies in extreme regions using machine learning techniques; Wiley Blackwell Publishing, Inc; Monthly Notices of the Royal Astronomical Society; 500; 2; 1-2020; 1784-1794
0035-8711
1365-2966
CONICET Digital
CONICET
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://academic.oup.com/mnras/advance-article/doi/10.1093/mnras/staa3339/5942674
info:eu-repo/semantics/altIdentifier/doi/10.1093/mnras/staa3339
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.publisher.none.fl_str_mv Wiley Blackwell Publishing, Inc
publisher.none.fl_str_mv Wiley Blackwell Publishing, Inc
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1844613769142992896
score 13.070432

Publicaciones similares