利用深度学习推断红巨星混合模式振荡的耦合强度
太阳与恒星天体物理
2023-10-04 v2
摘要
星震学是一种强大的工具，可用于揭示恒星内部结构与恒星演化。混合模式在包层中表现为声波、在核中表现为浮力模式，其显著之处在于允许探测红巨星的辐射核与渐逝区。在此，我们开发了一个神经网络，能够在约 5 毫秒内准确推断类太阳恒星的耦合强度（一个与渐逝区大小相关的参数）。与现有方法相比，我们发现在一个约 1,700 颗 Kepler 红巨星的样本中，仅有约 43% 的推断在 0.03 的差异范围内一致。为理解这些差异的来源，我们使用蒙特卡洛马尔可夫链（Monte Carlo Markov Chain）方法与埃谢尔图（Echelle diagrams）等独立技术分析了其中若干恒星。通过我们的分析，我们发现这些替代技术支持神经网络的推断。我们还证明该网络可用于对具有结构不连续性的恒星给出耦合强度与大面积周期分离的估计。我们的发现表明，红巨星支上耦合强度的下降速率大于此前认为的程度。这些结果比先前的估计与恒星演化模型的计算更为吻合，进一步凸显了恒星演化理论与计算的显著成功。此外，我们表明大面积周期分离的测量的不确定性随耦合强度减小而迅速增加。
引用
@article{arxiv.2309.17372,
title = {Inferring coupling strengths of mixed-mode oscillations in red-giant stars using deep learning},
author = {Siddharth Dhanpal and Othman Benomar and Shravan Hanasoge and Masao Takata and Subrata Panda and Abhisek Kundu},
journal= {arXiv preprint arXiv:2309.17372},
year = {2023}
}
备注
11 figures, Accepted in The Astrophysical Journal