使用条件可逆神经网络对HII区进行发射线诊断
星系天体物理
2022-02-04 v1
摘要
年轻大质量恒星通过将能量、动量和辐射（恒星反馈）注入周围环境、破坏母云并调节进一步的恒星形成，在星际介质（ISM）的演化和巨分子云（GMCs）中恒星形成的自我调节中发挥重要作用。恒星反馈的信息蕴含在我们观测到的发射中，然而从测光和光谱测量中推断物理性质是困难的，因为恒星反馈是一个高度复杂且非线性的过程，使得观测数据高度简并。为此，我们引入了一种新方法，将条件可逆神经网络（cINN）与WARPFIELD-emission预测器（WARPFIELD-EMP）耦合，以从光谱观测中估计恒星形成区的物理性质。我们提出了一个cINN，它从12条光学发射线的光度预测七个物理参数（云质量、恒星形成效率、云密度、云年龄即第一代恒星年龄、最年轻星团年龄、星团数量和云的演化阶段）的后验分布，并用训练期间未使用的合成模型测试了我们的网络。我们的网络是一个强大且省时的工具，能够准确预测每个参数，尽管在星团数量的后验估计中有时仍存在简并。我们验证了网络估计的后验，并确认它们与输入观测一致。我们还评估了观测不确定性对网络性能的影响。
引用
@article{arxiv.2201.08765,
title = {Emission-line diagnostics of HII regions using conditional Invertible Neural Networks},
author = {Da Eun Kang and Eric W. Pellegrini and Lynton Ardizzone and Ralf S. Klessen and Ullrich Koethe and Simon C. O. Glover and Victor F. Ksoll},
journal= {arXiv preprint arXiv:2201.08765},
year = {2022}
}
备注
32 pages, 23 figures, Accepted for publication by MNRAS on 21. January