评估机器学习算法在尘埃发射中识别气泡的性能

大质量恒星的辐射和星风产生的恒星反馈在分子云的物理和化学变化中都起着重要作用。这一能量和动量留下了可辨识的特征（“气泡”），影响云的运动学和结构。大多数气泡搜寻是“肉眼”进行的，通常耗时、主观且难以校准。基于机器学习的自动分类使得对气泡进行系统、可量化和可重复的搜寻成为可能。我们采用先前开发的机器学习算法Brut，并使用合成尘埃观测定量评估其在识别气泡中的性能。我们采用磁流体动力学模拟（模拟湍流分子云中星风启动）作为输入来生成合成图像。我们使用公开可用的三维尘埃连续谱蒙特卡洛辐射转移代码hyperion，生成三个Spitzer波段（4.5 um、8 um和24 um）中气泡的合成图像。我们将一半合成气泡指定为训练集，用于结合来自银河系计划（Milky Way Project）的公民科学数据训练Brut。然后我们使用剩余的合成观测评估Brut的准确度。我们发现重新训练后Brut的性能显著提升，并且它能够识别黄色气泡，后者可能与B型恒星相关。Brut在先前识别的高分气泡上持续表现良好，且超过10%的银河系计划气泡被重新分类为高置信度气泡，这些在银河系计划数据中先前是边缘或模糊的探测。我们还研究了训练集大小、尘埃模型、演化阶段和背景噪声对气泡识别的影响。