Un approccio caratterizzato da feedback per la stima delle proprietà galattiche

The rapid expansion of astronomical surveys is revolutionizing our ability to characterize galaxies by providing increasingly extensive and precise photometric datasets. Fundamental properties such as redshift, stellar mass, and star formation rate (SFR) are typically inferred from photometric measurements, which serve as low-dimensional representations of galaxies’ spectral energy distributions. In this work, we compare two neural architectures for the estimation of these properties: a standard Multi-Layer Perceptron (MLP) and an enhanced MLP with a feedback mechanism. The latter leverages an iterative process where the estimated redshift is reintroduced into the input feature space to refine subsequent predictions, thereby exploiting intrinsic correlations among galaxy properties. Beyond comparing the two models, we investigate the feedback architecture by examining its possible configurations and their impact on predictive accuracy. By relying exclusively on photometric data, our approach avoids the computational burden of image-based analyses while ensuring reliable estimations. We assess the performance of both models across multiple evaluation metrics, highlighting the role of feedback integration in improving estimation robustness and reliability, particularly for more challenging parameters such as SFR.

L’espansione dei moderni survey astronomici sta trasformando la nostra capacità di caratterizzare le galassie, grazie alla disponibilità di dataset fotometrici sempre più ampi e precisi. Proprietà fondamentali come il redshift, la massa stellare e il tasso di formazione stellare (SFR) vengono generalmente stimate a partire da misurazioni fotometriche, che rappresentano una versione semplificata della distribuzione spettrale dell’energia delle galassie. In questo lavoro confrontiamo due architetture neurali per la stima di queste proprietà: un Multi-Layer Perceptron (MLP) standard e una variante avanzata dotata di un meccanismo di feedback. Quest’ultima sfrutta un processo iterativo in cui il redshift stimato viene reinserito tra le variabili in ingresso per affinare le predizioni successive, sfruttando così le correlazioni intrinseche tra le proprietà delle galassie. Oltre a confrontare le due architetture, analizziamo la rete con feedback, esplorandone diverse configurazioni e valutandone l’impatto sulla precisione delle stime. Basandoci esclusivamente su dati fotometrici, il nostro approccio evita l’elevato costo computazionale delle analisi basate su immagini, garantendo al contempo stime affidabili. Infine, valutiamo le prestazioni di entrambi i modelli attraverso diverse metriche, evidenziando come l’integrazione del feedback migliori la robustezza delle stime, in particolare per parametri più complessi come l’SFR.