银河系考古学的机器学习：基于化学的神经网络方法用于吸积盘星识别
星系天体物理
2022-07-26 v3
摘要
我们开发了一种基于神经网络模型（NNMs）的方法（'银河系考古神经网络'，GANN），仅利用化学指纹和年龄，从 Auriga 项目的模拟星系集合中识别星系盘中的吸积星。我们在目标星系自身的局部环境（由恒星晕与存活卫星定义）上训练网络。我们证明该方法可探测空间混合入盘中的吸积星。定义了两种性能指标——吸积星的回收率，以及被正（吸积）分类的星为真阳性的概率 P(TP)。由于 NNM 输出类似于指派概率，我们能够基于灵活阈值决定阳性，可轻易调整以精炼预设吸积星的选择。我们发现 GANN 在模拟星系中识别吸积盘星，具有高回收率和/或高 P(TP)。我们还发现，在多数（18/24）情形下，Gaia-Enceladus-Sausage（GES）质量系统中的星被我们的 NNM 回收超过 50%。此外，几乎每个吸积星个体源在盘中以其峰值恒星质量的 10% 或更多被探测到。我们还证明，在全部 Auriga 星系的晕星与卫星星上训练的聚合 NNM 提供最一致的结果，并可能随着观测能力扩展成为未来引人关注的方法。
引用
@article{arxiv.2207.06586,
title = {Machine Learning for Galactic Archaeology: A chemistry-based neural network method for identification of accreted disc stars},
author = {Thorold Tronrud and Patricia B. Tissera and Facundo A. Gómez and Robert J. J. Grand and Ruediger Pakmor and Federico Marinacci and Christine M. Simpson},
journal= {arXiv preprint arXiv:2207.06586},
year = {2022}
}
备注
19 pages, 12 figures