低维潜空间中带化学 tagging 的核合成数据驱动模型
太阳与恒星天体物理
2020-01-08 v1 天体物理仪器与方法
摘要
化学 tagging 旨在从现今恒星丰度中识别独特的恒星形成位点。以往技术将每个丰度维度视为统计独立,尽管理论预期许多元素可由不止一种核合成过程产生。本工作中,我们引入一种核合成的数据驱动模型,其中一组潜因子(如核合成产额)以不同得分贡献于所有恒星,而聚类(如化学 tagging)由低维潜空间中的多元高斯混合建模。我们使用一种精确方法,即便存在缺失数据项,也能同时估计每颗恒星的因子得分、每颗恒星对各聚类的部分归属,以及所有恒星共有的潜因子。我们采用信息论贝叶斯原理估计潜因子与聚类的数目。利用第二次Galah数据发布,我们发现偏好6个潜因子来解释具17种化学丰度的N = 2,566颗恒星。我们识别出快、慢中子俘获过程,以及与Fe峰和\alpha元素产生一致的潜因子,以及另一个K和Zn占主导的因子。当我们考虑具缺失丰度的N ~ 160,000颗恒星时,发现另外7个因子,以及潜空间中的16个分量。尽管这些分量展现出可由不同产额贡献解释的化学分离,但无一在其位置或运动中显现显著结构。我们认为,要实现星系尺度的化学 tagging,需要更多数据,以及受动力学模型约束的聚类隶属联合先验。我们发布了软件,可在给定固定数目潜因子、分量及丰度测量时于数秒内优化模型参数。
引用
@article{arxiv.1910.09811,
title = {A data-driven model of nucleosynthesis with chemical tagging in a lower-dimensional latent space},
author = {Andrew R. Casey and John C. Lattanzio and Aldeida Aleti and David L. Dowe and Joss Bland-Hawthorn and Sven Buder and Geraint F. Lewis and Sarah L. Martell and Thomas Nordlander and Jeffrey D. Simpson and Sanjib Sharma and Daniel B. Zucker},
journal= {arXiv preprint arXiv:1910.09811},
year = {2020}
}
备注
Accepted to ApJ