利用机器学习探索银河系性质：从光度数据预测星际形成率、星质量和金属丰度
星系天体物理
2024-05-27 v1
摘要
目标。我们探索机器学习技术，用于预测银河系中星际形成率、星质量和金属丰度，红移范围为 0.01 到 0.3。方法。利用 CatBoost 和深度学习架构，基于 SDSS 和 AllWISE 的多波段光学和红外光度数据，训练于 SDSS MPA-JHU DR8 目录。结果。本研究表明，仅凭光度数据，机器学习在准确预测星系性质方面具有潜力。我们实现了最小化的均方根误差，具体采用 CatBoost 模型。对于星际形成率预测，我们获得了 RMSESFR = 0.336 dex 的值，而对于星质量预测，误差降低到 RMSESM = 0.206 dex。此外，我们的模型给出金属丰度预测值为 RMSEmetallicity = 0.097 dex。结论。这些发现凸显了在多波段天文学数据呈指数级增长的背景下，自动化方法在高效估计关键银河系性质方面的重要性。未来研究可聚焦于细化机器学习模型并扩大数据集，以实现更精确的预测。
引用
@article{arxiv.2405.15566,
title = {Exploring galactic properties with machine learning Predicting star formation, stellar mass, and metallicity from photometric data},
author = {F. Z. Zeraatgari and F. Hafezianzadeh and Y. -X. Zhang and A. Mosallanezhad and J. -Y. Zhang},
journal= {arXiv preprint arXiv:2405.15566},
year = {2024}
}
备注
Accepted for publication in A&A