条件归一化流的新应用：基于陀螺年代学的恒星年龄推断

恒星年龄是演化模型的关键基石，但对低质量主序星而言难以测量。该领域中一个未被探索的解决方案是将概率机器学习方法应用于陀螺年代学——一种独特适用于这些恒星的恒星定年技术。虽然精确的解析陀螺年代学模型已被证明难以建立，但在此我们将条件归一化流应用于来自疏散星团的测光数据，并证明数据驱动方法能够以与其他标准技术相当的精度约束陀螺年代学年龄。我们在贝叶斯框架背景下评估流结果，并表明我们推断的年龄很好地恢复了文献值。这项工作展示了概率数据驱动解决方案拓宽陀螺年代学恒星定年适用性的潜力。