数据驱动的恒星模型
星系天体物理
2021-03-31 v3 天体物理仪器与方法
摘要
我们开发了一个数据驱动模型，将恒星参数（有效温度、表面重力和金属丰度）准确而精确地映射到宽波段恒星测光。该模型必须且确实同时约束了银河系中特定波段的尘埃红化矢量。该模型使用神经网络，在给定来自光谱巡天的恒星参数和来自 Gaia 的视差约束下，学习一个波段的（去红化）绝对星等和跨多个波段的颜色。为展示该方法的有效性，我们在包含来自 LAMOST、APOGEE 和 GALAH 的光谱参数、Gaia 视差，以及来自 Gaia、Pan-STARRS~1、2MASS 和 WISE 的光学和近红外测光的数据集上训练模型。在这些数据集上测试模型得到了极好的拟合，以及对多波段颜色-星等图的精确且（按构造）准确的预测。这一灵活方法严格关联了光谱与测光巡天，并得到了改进的、依赖于恒星温度的红化矢量。因此，它为在恒星演化模型中预测测光提供了简单而准确的方法。我们的模型将构成从测光数据推断恒星性质、距离和尘埃消光的基础，这应在银河系三维制图中有很大用处。我们训练好的模型可在 https://doi.org/10.5281/zenodo.3902382 获取。
引用
@article{arxiv.2006.16258,
title = {Data-Driven Stellar Models},
author = {Gregory M. Green and Hans-Walter Rix and Leon Tschesche and Douglas Finkbeiner and Catherine Zucker and Edward F. Schlafly and Jan Rybizki and Morgan Fouesneau and René Andrae and Joshua Speagle},
journal= {arXiv preprint arXiv:2006.16258},
year = {2021}
}
备注
30 pages, 13 figures. Revised version published in ApJ, including new Fig. 13