MAISTEP——一种用于推断恒星参数的新型基于网格的机器学习工具 I. 巨行星宿主恒星的年龄
摘要
我们对系外行星人口统计特征的理解部分取决于其对应宿主恒星的参数。由于大多数宿有系外行星的恒星仅有大气约束条件可用，其参数的稳健推断极易受所用方法的影响。本工作的目标是开发一种基于网格的机器学习工具，能够仅使用大气约束条件来确定恒星的半径、质量和年龄，并分析宿有巨行星的恒星的年龄分布。我们的机器学习方法结合了四种基于树的机器学习算法（Random Forest、Extra Trees、Extreme Gradient Boosting 和 CatBoost），在恒星模型网格上进行训练，以利用 Teff、[Fe/H] 和光度来推断恒星的半径、质量和年龄。我们进行了详细的统计分析，将我们工具的推断结果与基于 APOKASC 和 LEGACY 样本的星震数据的推断结果进行了比较。最后，我们将该工具应用于确定宿有巨行星的恒星的年龄。将我们机器学习工具的恒星参数推断结果与 APOKASC 和 LEGACY 的结果进行比较，我们发现半径的偏差（和散布）分别为 -0.5%（5%）和 -0.2%（2%），质量分别为 6%（5%）和 -2%（3%），年龄分别为 -9%（16%）和 7%（23%）。因此，我们的机器学习预测与星震推断结果相当。当我们将模型应用于宿有木星质量行星的恒星样本时，发现热木星、温木星和冷木星宿主的平均年龄估计值分别为 1.98、2.98 和 3.51 Gyr。这些宿主恒星的统计年龄证实了先前的预测——即基于相对少数宿主的恒星模型年龄，以及基于平均年龄-速度弥散关系——宿有热木星的恒星在统计上比宿有温木星和冷木星的恒星更年轻。
引用
@article{arxiv.2502.02176,
title = {MAISTEP -- a new grid-based machine learning tool for inferring stellar parameters I. Ages of giant-planet host stars},
author = {Juma Kamulali and Benard Nsamba and Vardan Adibekyan and Achim Weiss and Tiago L. Campante and Nuno C. Santos},
journal= {arXiv preprint arXiv:2502.02176},
year = {2025}
}
备注
12 pages, 10 figures, Accepted for publication in Astronomy & Astrophysics Journal