应用卷积神经网络在CO辐射中识别恒星反馈泡
星系天体物理
2020-02-19 v1 天体物理仪器与方法
摘要
我们采用深度学习方法CASI(壳层识别卷积方法)并将其扩展至三维(CASI-3D),以在分子谱线(如13CO)中识别恒星反馈的特征。我们采用研究湍流分子云中恒星风影响的磁流体动力学模拟作为输入来生成合成观测。我们应用三维辐射转移代码radmc-3d对模拟云中的13CO (J=1-0)谱线辐射进行建模。我们训练了两个CASI-3d模型:ME1仅预测反馈的位置,而MF预测每个体素中来自反馈的质量分数。我们采用75%的合成观测作为训练集,并用剩余数据评估两个模型的精度。我们证明模型ME1以95%的精度在模拟数据中识别泡,且模型MF预测泡质量与真实值的偏差在4%以内。我们利用先前在金牛座13CO中通过视觉识别的泡来验证模型,并表明两者在最高置信度泡上表现良好。我们将两个模型应用于金牛座云的完整98 deg2 FCRAO 13CO巡天。模型ME1与MF分别预测反馈气体质量为2894 M☉与302 M☉。当纳入因13CO数据立方体速度范围有限而缺失能量的修正因子后,模型ME1预测反馈动能为4.0*1e46 erg与1.5*1e47 erg(分别扣除与不扣除云速度梯度)。模型MF预测反馈动能为9.6*1e45 erg与2.8*1e46 erg(分别扣除与不扣除云速度梯度)。模型ME1预测的泡位置与性质与先前视觉识别的泡一致。然而,模型MF表明,基于视觉识别计算的反馈性质由于视线混淆及前景与背景气体污染而被显著高估。
引用
@article{arxiv.2001.04506,
title = {Application of Convolutional Neural Networks to Identify Stellar Feedback Bubbles in CO Emission},
author = {Duo Xu and Stella S. R. Offner and Robert Gutermuth and Colin Van Oort},
journal= {arXiv preprint arXiv:2001.04506},
year = {2020}
}
备注
ApJ Accepted