应用卷积神经网络在CO发射中识别原恒星外流
星系天体物理
2021-01-06 v1 天体物理仪器与方法
摘要
我们采用深度学习方法CASI-3D（结构识别卷积方法-3D）来在分子线谱中识别原恒星外流。我们进行磁流体动力学模拟以建模形成中的恒星并驱动原恒星外流，并利用这些模拟生成合成观测。我们应用3D辐射转移代码RADMC-3D来模拟来自模拟云的12CO (J=1-0)线发射。我们训练了两个CASI-3D模型：ME1被训练为仅预测外流的位置，而MF被训练为预测每个体素中来自外流的质量分数。这两个模型成功识别了Perseus中此前经视觉识别的全部60个外流。此外，CASI-3D发现了20个新的高置信度外流。它们均具有相干高速度结构，其中17个附近有年轻恒星天体，其余三个位于Spitzer巡天覆盖区域之外。模型MF预测的Perseus中单个外流的质量、动量与能量与先前的估计相当。这种相似性源于误差的抵消：先前的计算遗漏了速度与云速度相当的外流物质，然而它们通过高估来自非外流气体的较高速度处的质量数量对此进行了补偿。我们显示由较老源驱动的外流比较年轻源驱动的外流具有更多高速度气体。
引用
@article{arxiv.2010.12525,
title = {Application of Convolutional Neural Networks to Identify Protostellar Outflows in CO Emission},
author = {Duo Xu and Stella S. R. Offner and Robert Gutermuth and Colin Van Oort},
journal= {arXiv preprint arXiv:2010.12525},
year = {2021}
}
备注
Revised version submitted to ApJ, comments welcome