利用深度学习在Gaia DR2中编录吸积恒星
星系天体物理
2020-04-23 v2 高能物理 - 唯象学
机器学习
摘要
本研究的目标是提出一种基于机器学习的方法，仅利用相空间将Gaia DR2恒星分为两类：从外部吸积到银河系中的恒星与原位形成的恒星。传统上用于识别吸积恒星的挑选方法通常依赖于完整的三维速度、金属丰度信息或两者兼用，这显著减少了可分类恒星的数量。本文所倡导的方法适用于Gaia DR2中更大范围的恒星。一种称为“迁移学习”的方法通过对基于FIRE宇宙学zoom-in流体动力学模拟的银河系质量星系的一组模拟Gaia星表进行广泛测试，被证明是有效的。该机器首先仅使用5维运动学作为输入在模拟数据上训练，然后在交叉匹配的Gaia/RAVE数据集上进一步训练，从而提高对真实银河系性质的灵敏度。结果是得到一份在Gaia DR2中识别出约767,000颗吸积恒星的星表。该星表可揭示银河系并合历史的经验性见解，并可用于推断暗物质分布的性质。
引用
@article{arxiv.1907.06652,
title = {Cataloging Accreted Stars within Gaia DR2 using Deep Learning},
author = {Bryan Ostdiek and Lina Necib and Timothy Cohen and Marat Freytsis and Mariangela Lisanti and Shea Garrison-Kimmel and Andrew Wetzel and Robyn E. Sanderson and Philip F. Hopkins},
journal= {arXiv preprint arXiv:1907.06652},
year = {2020}
}
备注
v1: 24 pages and 13 Figures + 4 appendices, v2: Journal version, fixed bug resulting in incorrect final catalog scores, updated plots, conclusions unchanged