用机器学习研究红巨星支尖
摘要
我们提出了一种研究方法，用于考察红巨星支尖（TRGB）的 I 波段星等 对恒星输入物理的敏感性。我们计算了约 125,000 个理论恒星模型的网格，其质量、初始氦丰度和初始金属丰度各不相同，并训练了一个机器学习模拟器来预测作为这些参数函数的 。首先，该模拟器可通过蒙特卡洛采样在给定星系中从理论上预测 。作为一个例子，我们在大麦哲伦云（F20）中预测 。其次，该模拟器能够将 的理论预测与经验定标直接比较，从而利用贝叶斯马尔可夫链蒙特卡洛方法约束恒星建模参数。我们通过使用经验 TRGB 定标获得了三个星系金属丰度的新独立测量，以此演示了这一点。我们得到大麦哲伦云（分别为 F20 和 Y19）的 和 ，NGC 4258 的 ，以及 -Centauri 的 。LMC 和 NGC 4258 的测量与其他测量在 误差内一致，-Centauri 的测量在 误差内。
引用
@article{arxiv.2303.12069,
title = {Machine Learning the Tip of the Red Giant Branch},
author = {Mitchell Dennis and Jeremy Sakstein},
journal= {arXiv preprint arXiv:2303.12069},
year = {2025}
}
备注
18 pages, 11 figures, updated from original version. Accepted for publication in Phys.Rev.D. Revisions include analysis of the variation in the TRGB magnitude, assessment of the use of deep neural networks over other ML methods, an analysis of the ML error as a function of parameter space, and a resolution test to determine the minimum number of data points needed to successfully train the ML