.png){kind=icon}
返回
A New Hybrid Machine Learning Method for Stellar Parameter Inference
.png){kind=icon}
OA
AI
DOI：10.3847/1538-4357/adcb47.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）的出现对众多科学学科具有革命性意义，在天文光谱推断领域已有越来越多的实例，因为机器学习比传统技术更强大。本文介绍了一种结合自动微分、插值和贝叶斯优化的混合机器学习（HML）方法，用于推断恒星光谱的恒星参数。我们研究了T-eff、log(g)和[Fe/H]，但该方法可扩展至其他参数，如[alpha/Fe]（α元素丰度）、C/O（碳氧比）和f(sed)（沉积效率）。我们首先使用blase将光谱半经验性地重新表示为Voigt谱线。blase运行在PHOENIX模型网格的一个直角子集中的1314个合成光谱上（T-eff: [2300, 12,000] K，log(g): [2, 6]，[Fe/H]: [-0.5, 0]，波长: [8038, 12849] & Aring;）。对于128,723个检测到的特征，我们使用线性插值将恒星参数映射到光谱线参数。这创建了PHOENIX生成器，支持并行化光谱合成。我们使用高斯过程最小化方法通过最小化rms损失函数来推断恒星参数。测试210个无噪声模型（T-eff: [3000, 11,000] K，log(g): [2, 6]，[Fe/H]: [-0.5, 0]）后，我们发现推断误差：对于T-eff < 7000 K，误差为T-eff: 93 K，log(g): 0.24，[Fe/H]: 0.056；对于T-eff ≥ 7000 K，误差为T-eff: 347 K，log(g): 0.26，[Fe/H]: 0.16。我们还在线上传了PHOENIX子集的blase模型档案。这项概念验证研究显示，半经验HML是光谱推断中传统方法的一种可行替代方案。
Keyword:
CHEMICAL DISEQUILIBRIUM
DATA-DRIVEN
ATMOSPHERE
EVOLUTION
ASTROPY
METALLICITY
LIBRARY
PACKAGE
PROJECT
MODELS
期刊
IF:
5.4
论文数:
8.3W
被引数:
32.0W
机构
引用论文
.png){kind=icon}
VegaFusion: Automatic Server-Side Scaling for Interactive Vega VisualizationsVegaFusion：用于交互式Vega可视化的自动服务器端缩放OAAI
OAAI分享收藏
查看更多内容