基于机器学习的Gaia DR3疏散星团成员确定工具
星系天体物理
2023-07-12 v1
摘要
利用Gaia数据（大多使用DR2）刻画疏散星团的成员研究，由于暗端天体测量不确定性，目前受限于G=18星等。我们的目标是通过暗弱成员扩展当前的疏散星团成员列表，并刻画低质量端，这些成员对许多应用十分重要，特别是对于地基光谱巡天。我们使用深度神经网络架构来学习已知星团周围高可靠性疏散星团成员星的分布。之后，我们利用训练好的网络基于其在高维空间（五维天体测量加三个测光波段）中的相似性来估计新的疏散星团成员。由于Gaia DR3相对于DR2天体测量精度提高，我们能够为已知疏散星团总体均匀地探测到新的暗弱成员星（G>18）。我们的方法学可提供直至Gaia极限星等的疏散星团扩展成员列表，这将使进一步刻画疏散星团总体的研究成为可能，例如估计其质量或动力学。这些扩展成员列表也是即将开展的地基光谱巡天的理想目标列表。
引用
@article{arxiv.2303.08474,
title = {A machine learning-based tool for open cluster membership determination in Gaia DR3},
author = {M. G. J. van Groeningen and A. Castro-Ginard and A. G. A. Brown and L. Casamiquela and C. Jordi},
journal= {arXiv preprint arXiv:2303.08474},
year = {2023}
}
备注
10 pages, 6 figures. Submitted to Astronomy & Astrophysics