APOGEE 中的机器学习：通过化学丰度识别恒星族群
天体物理仪器与方法
2019-09-04 v1 星系天体物理
太阳与恒星天体物理
机器学习
摘要
现代天文巡天产生的海量数据提供了机器学习应用的试验台。评估现有潜在工具并确定那些从可用观测中提取科学知识的最优工具十分重要。我们探索使用聚类算法分离具有不同化学模式的恒星族群的可能性。星团可能是银河系中化学最均匀的天体族群，因此任何识别不同恒星族群的实用方法至少应能够彼此分离各星团。我们应用八种聚类算法并结合四种降维策略，利用 13 种元素的化学丰度自动区分恒星团。我们的样本包含 18 个恒星团，共计 453 颗恒星。我们使用统计检验表明，当使用阿帕奇点星系演化实验(APOGEE)的化学丰度时，某些星团对彼此不可区分。然而，对于大多数星团，我们能够以与先前工作相似的度量分数自动指派成员资格。自动选定星团的混淆水平与统计检验一致，这些检验证明了完美区分所有星团是不可能的。这些统计检验与混淆水平为仅基于化学丰度盲目识别同团诞生恒星的前景确立了极限。我们发现所探索的某些算法能够盲目识别 APOGEE 数据中具有相似年龄和化学分布的恒星族群。由于某些恒星团在化学上不可区分，我们的研究支持扩展涉及星团族而非单个星团的弱化学标记这一概念。
引用
@article{arxiv.1907.12796,
title = {Machine learning in APOGEE: Identification of stellar populations through chemical abundances},
author = {Rafael Garcia-Dias and Carlos Allende Prieto and Jorge Sánchez Almeida and Pedro Alonso Palicio},
journal= {arXiv preprint arXiv:1907.12796},
year = {2019}
}