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
由波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）领导的一组科学家使用一种新颖的机器学习模型，以极其高效的方式处理了由盖亚任务观测到的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星际消光和金属量等特性图谱开辟了令人兴奋的机会，有助于理解恒星群体和我们银河系的结构。
随着欧洲航天局“盖亚”空间探测任务的第三次数据发布，天文学家获得了关于18亿颗恒星的改进测量数据，这为研究银河系提供了大量的资料。
然而，高效地分析这样一个大规模的数据集存在挑战。在该研究中，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Gaia的分光光度数据。模型是基于……训练的高质量的数据从八百万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.
底层技术被称为极端梯度增强树，能够以前所未有的效率估算恒星的精确属性，如温度、化学组成和星际尘埃消光。开发的机器学习模型SHBoost完成了包括在内的任务，包括模型训练“在单个GPU上，整个过程可以在四小时内完成推理和预测——而之前这个过程需要两周时间以及3000台高性能处理器，”来自AIP并担任该研究第一作者的Arman Khalatyan说。
"这种方法因此显著减少了计算时间、能耗和二氧化碳排放"2“这项技术”是首次成功同时应用于所有类型的恒星。
该模型基于小型恒星调查的高质量光谱数据进行训练，然后将此学习应用到Gaia第三次大型数据发布（DR3）中，仅使用测光和天体测量数据以及Gaia低分辨率XP光谱提取关键恒星参数。
"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（如稀有金属贫乏或超金属丰富的恒星）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，"来自AIP的克里斯蒂娜·奇亚皮尼说。
这种技术对于使用多目标光谱仪（如4MIDABLE-LR）进行未来观测的准备至关重要，4MIDABLE-LR是针对银河盘和银心的一个大规模巡天项目，该项目将是智利欧洲南方天文台（ESO）4MOST计划的一部分。
新的模型方法提供了银河系整体详尽的地图化学成分，证实了年轻和老年恒星的分布。数据显示该银河系内部区域，包括棒状结构和银心，存在金属丰富的恒星，并具有巨大的统计力量，”ICCUB的弗里德里希·安德尔斯补充道。
研究团队还利用该模型在银河系中绘制了年轻、巨大且炽热的恒星，突出了遥远且研究较少的恒星形成区域。数据还显示，在我们所处的银河系中存在许多“恒星空洞”，即极少有年轻恒星存在的区域。此外，数据显示星际尘埃的三维分布仍有待进一步解析。
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学及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
引用用盖亚卫星和机器学习更清晰地观察银河系（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。除个人学习或研究目的的合理使用外，未经书面许可，不得以任何方式复制。所提供的内容仅作信息用途。
暂无评论