利用机器学习结合 Gaia 与红外巡天对三维银河系建模

对我们所在的银河系（MW）的观测因我们的内部视角而困难重重。包含约 16 亿颗恒星距离的 Gaia 巡天是银河系结构研究的新旗舰，并可与其他大规模红外（IR）巡天结合，提供银道面内前所未有的远距离测量。同时，过去二十年间机器学习（ML）方法的使用激增，并日益应用于天文学。我将首先描述一种 ML 分类器的构建，以改进广泛采用的年轻恒星天体（YSO）候选体分类方案。恒星诞生于致密的星际环境中，最年轻、尚未远离其形成位置的恒星是星际介质最致密结构的探针。YSO 识别与 Gaia 距离测量的结合，使得三维致密云结构的重建成为可能。我们的 ML 分类器基于人工神经网络（ANN），利用斯皮策空间望远镜的红外数据，从给定样本中自动重建 YSO 分类。在第二部分，我将提出一种基于卷积神经网络（CNN）重建银河系三维消光分布的新方法。该 CNN 使用大规模银河系模型——Besançon 银河系模型进行训练，并通过比较模型结果与观测数据来学习推断消光距离分布。该方法能够分辨远至 10 kpc 的结构，形式分辨率为 100 pc，且被发现能够结合 2MASS 与 Gaia 数据集而无需交叉匹配。这种组合预测的結果令人鼓舞，并为未来利用更大数据集组合实现全银道面预测开辟了可能。