面向天文化学标记的解耦表示学习
天体物理仪器与方法
2021-05-26 v1 星系天体物理
太阳与恒星天体物理
机器学习
摘要
现代天文巡天正在观测数百万颗恒星的光谱数据。这些光谱包含可用于追溯银河系形成与化学增丰历史的信息。然而，从光谱中提取信息并做出精确、准确的化学丰度测量具有挑战性。在此，我们提出一种数据驱动方法，用于将恒星光谱中的化学变异因素与其他参数（即 \teff、\logg、\feh）的变异因素分离。这使我们能够为每颗恒星构建一个去除了这些参数的光谱投影。我们在不依赖元素丰度本身的先验知识的情况下完成此工作，从而绕过了依赖合成恒星光谱的建模所带来的不确定性与系统误差。为去除已知的非化学变异因素，我们开发并实现了一种学习解耦光谱表示的神经网络架构。我们在类 APOGEE 的合成数据集中，利用解耦光谱模拟了对化学相同恒星的复原。我们表明，该复原性能随信噪比下降，但我们的神经网络架构优于更简单的建模选择。我们的工作证明了无丰度数据驱动化学标记的可行性。
引用
@article{arxiv.2103.06377,
title = {Disentangled Representation Learning for Astronomical Chemical Tagging},
author = {Damien de Mijolla and Melissa Ness and Serena Viti and Adam Wheeler},
journal= {arXiv preprint arXiv:2103.06377},
year = {2021}
}
备注
Accepted by ApJ. code available at github.com/drd13/tagging-package