基于机器学习的 Magellanic 云尘质星体光谱与光度标签分类比较
星系天体物理
2025-09-09 v1
摘要
尘质星体，包括年轻星体 (YSO) 和演化星体如氧-碳类型阿尔戈兰星团 (OAGB, CAGB)、赤色超级巨星 (RSG) 以及后阿尔戈兰星团 (PAGB)，在银河化学富集中发挥关键作用。Magellanic 云的光度调查已列出大量此类天体，但因天体间重叠导致分类不确定。我们基于 SAGE 项目的光谱标签数据训练机器学习模型，并应用于光度目录。光谱模型准确率约为 89%。光度标签中，几乎所有 OAGB 均被正确识别，YSO 的确认率为 95%。相比之下，16% 的 CAGB 被重新分类为 OAGB，仅有 8% 的 RSG 保留原标签，且不到一半的 PAGB 被确认。因此，光度方法对具有明确特征的大规模天体可靠，但对稀有或重叠的星体分类仍需光谱确认。
关键词
引用
@article{arxiv.2509.05531,
title = {Comparison of Photometric and Spectroscopic Labels in Classifying Dusty Stellar Sources Using Machine Learning in the Magellanic Clouds},
author = {Sepideh Ghaziasgar and Mahdi Abdollahi and Atefeh Javadi and Jacco Th. van Loon and Iain McDonald and Joana Oliveira and Habib G. Khosroshahi},
journal= {arXiv preprint arXiv:2509.05531},
year = {2025}
}
备注
4 pages, 1 figure, 1 table, Proceedings of IAU Symposium 397: "UniversAI 2025: Exploring the Universe with Artificial Intelligence", to be published in the "IAU Proceedings Series"