通过机器学习解释 Orion KL 的化学清单
星系天体物理
2023-09-27 v1
摘要
唯有整体理解天体化学相关源中的化学与物理相互作用，方能充分领会其化学清单。Lee 等人（2021）的先前工作展示了简单回归模型重现金牛座分子云 1（TMC-1）化学清单丰度、并对新候选分子提供丰度预测的能力。然而，TMC-1 在天体化学中是否为‘独角兽’——其化学与物理的简洁性 readily 便于以简单机器学习模型刻画——仍有待验证。此处我们将化学复杂性拓展至一被深入研究的大质量恒星形成区：Orion Kleinmann-Low（Orion KL）星云。不同于 TMC-1，Orion KL 由若干结构迥异、化学与运动学均不同的环境组成，其中这些组分间分子的柱密度可具非线性关联，导致各环境中可能物种的意外出现甚至缺失。本概念验证研究采用 Lee 等人（2021）所取样的类似回归模型，准确重现了 Crockett 等人（2014）所呈 XCLASS 拟合程序得出的柱密度。
引用
@article{arxiv.2309.14449,
title = {Explaining the Chemical Inventory of Orion KL through Machine Learning},
author = {Haley N. Scolati and Anthony J. Remijan and Eric Herbst and Brett A. McGuire and Kin Long Kelvin Lee},
journal= {arXiv preprint arXiv:2309.14449},
year = {2023}
}
备注
14 pages; 6 figures, 1 table in the main text. 0 figures, 1 table in the appendix. Accepted for publication in The Astrophysical Journal. Molecular dataset for machine learning can be found in the Zenodo repository here: https://zenodo.org/record/7675609