钡星作为 AGB 星中 s 过程核合成的示踪器 II. 在 169 颗星上运用机器学习技术
太阳与恒星天体物理
2023-04-19 v1 星系天体物理
摘要
我们旨在利用机器学习技术以及 Fruity 和 Monash 恒星模型预测的 AGB 末表面丰度，分析 169 颗钡（Ba）星的丰度分布。我们开发了机器学习算法，以 Ba 星的丰度分布作为输入，利用恒星模型预测来分类其伴星的初始质量和金属丰度。我们使用了两种算法：第一种利用神经网络识别模式，第二种是最近邻算法，侧重于寻找预测的最终表面丰度最接近观测 Ba 星值的 AGB 模型。在第二种算法中，我们纳入了误差棒和观测不确定性以找到最佳拟合模型。分类过程基于 Fe、Rb、Sr、Zr、Ru、Nd、Ce、Sm 和 Eu 的丰度。我们通过系统性地从 AGB 模型丰度分布中移除 s 过程元素，并识别那些移除后对分类有最大正向影响的元素，从而选定这些元素。我们排除了 Nb、Y、Mo 和 La。我们的最终分类结合了两种算法的输出，为每颗 Ba 星伴星确定初始质量和金属丰度范围。借助我们的分析工具，我们识别了恒星样本中 169 颗 Ba 星里 166 颗的主要性质。基于两组 AGB 最终丰度的分类显示出相似的分布，平均初始质量分别为 M = 2.23 M☉ 和 2.34 M☉，平均 [Fe/H] 分别为 -0.21 和 -0.11。我们研究了为何移除 Nb、Y、Mo 和 La 会改善我们的分类，并识别出 43 颗受排除影响最大的星。我们表明这些星的这些元素丰度与样本中其他 Ba 星相比具有统计显著性差异。我们讨论了这些丰度分布差异的可能原因。
引用
@article{arxiv.2212.03593,
title = {Barium stars as tracers of s-process nucleosynthesis in AGB stars II. Using machine learning techniques on 169 stars},
author = {J. W. den Hartogh and A. Yagüe López and B. Cseh and M. Pignatari and B. Világos and M. P. Roriz and C. B. Pereira and N. A. Drake and S. Junqueira and M. Lugaro},
journal= {arXiv preprint arXiv:2212.03593},
year = {2023}
}
备注
accepted for publication in A&A