利用盖亚卫星和机器学习更清晰地观察银河系
作者：by Janine Fohlmeister, Leibniz Institute for Astrophysics Potsdam
由普茨坦莱布尼茨天体物理学研究所（AIP）和巴塞罗那大学宇宙科学研究所（ICCUB）领导的一组科学家利用一种新型机器学习模型，以极其高效的方式处理了盖亚任务观测到的2.17亿颗恒星的数据。
结果与传统估计恒星参数的方法具有竞争力。这一新方法为绘制银河系内的星际消光和金属含量等特征提供了令人兴奋的机会，有助于理解恒星群体以及我们银河系的结构。
随着欧洲航天局“盖亚”空间任务的第三次数据发布，天文学家获得了18亿颗恒星的改进测量数据，为研究银河系提供了大量的数据。
然而，高效地分析如此大规模的数据集存在挑战。在这项研究中，研究人员探索了使用机器学习来估计恒星的关键属性，利用盖亚卫星的分光光度数据。模型是基于……训练的高质量数据从800万颗恒星中获得了可靠且误差较小的预测。
工作是发表在期刊中天文学与天体物理学.
"底层技术称为极端梯度提升树，能够以前所未有的效率估计精确的恒星属性，例如温度、化学组成和星际尘埃消光。开发的机器学习模型SHBoost完成了其任务，包括"模型训练“在这个研究中，阿曼·哈利特扬（Arman Khalatyan）来自阿尔伯塔省创新研究所（AIP）并是该论文的第一作者，他表示现在在单个GPU上仅需四小时就能完成材料的筛选和预测，而此前这一过程需要两周时间和3000台高性能处理器。”
"这种方法显著减少了计算时间、能源消耗和二氧化碳排放"2“这一发射。”这是该技术首次成功同时应用于所有类型的恒星。
该模型在较小恒星调查的高质量光谱数据上进行训练，然后将其学习应用到盖亚第三大数据发布（DR3）中，仅使用摄影和天体测量数据以及盖亚低分辨率XP光谱来提取关键恒星参数。
"结果的高质量减少了在寻找值得进一步研究的良好候选对象（如金属含量极低或超富金属恒星）时进行额外资源密集型光谱观测的需求，这些恒星对于理解银河系形成的最早阶段至关重要，"艾卡天文台的克里斯蒂娜·基亚皮尼说。
这一技术对于使用多目标光谱仪（如4MIDABLE-LR）准备未来的观测工作至关重要，4MIDABLE-LR是将在智利欧洲南方天文台（ESO）进行的4MOST项目的一部分，该项目将对银河盘和 bulge 进行大规模巡天。注意，“bulge”在天文学中通常翻译为“银心”或“晕轮”，此处为了保持原文风格直接使用“bulge”。
"新的模型方法提供了银河系总体的地图"化学成分，证实了年轻和老年恒星的分布。数据显示，在银河系内部区域（包括棒状结构和银心）富含金属的恒星集中度非常高，“ICCUB的弗里德里希·安德尔斯补充说，具有巨大的统计力量。
研究团队还利用该模型在整个银河系中绘制了年轻的、巨大的热星，突出了遥远的、研究较少的恒星形成区域。数据还揭示了我们的银河系中存在许多“星际空洞”，即拥有很少年轻星星的区域。此外，这些数据显示出三维分布的星际尘埃在某些地方仍然解析度较差。
随着盖亚继续收集数据，机器学习模型能够快速且可持续地处理大规模数据集的能力使它们成为未来天文学研究中不可或缺的工具。
该方法的成功展示了机器学习在天文和其他科学领域革新大数据分析的潜力，并促进了更加可持续的研究实践。
更多信息：Khalatyan等，使用SHBoost将光谱恒星标签转移到2.17亿颗Gaia DR3 XP恒星上天文学与天体物理学 (2024). DOI: 10.1051/0004-6361/202451427. 在arXiv: DOI: 10.48550/arxiv.2407.06963
引用用盖亚和机器学习更清晰地观测银河系（2024年10月10日） 检索于 2024年10月10日 从 https://phys.org/news/2024-10-sharper-view-milky-gaia-machine.html
本文件受版权保护。除个人研究或学习目的的合理使用外，未经书面许可，不得以任何形式复制。所提供的内容仅作信息用途。
暂无评论