利用贝叶斯神经流对盖亚颜色-星等图建模以约束距离估计
天体物理仪器与方法
2019-08-23 v1 星系天体物理
机器学习
机器学习
摘要
我们展示了一种算法，该算法利用归一化流（一种能够学习任意多维概率分布的深度神经网络）从含噪视差和测光数据中学习灵活的颜色-星等图。我们基于该数据驱动模型，使用盖亚DR2测光和视差数据，提供了一个包含6.4亿颗邻近恒星光度距离后验的星表。尘埃估计和消红化在模型内部使用Bayestar星图迭代完成，无需先验距离信息。距离测量的信噪比（精度）相较于原始盖亚数据平均提升超过48%，我们还展示了距离精度如何优于其他模型，尤其是在含噪视差区域。我们讨论了其应用，包括显著改善的银河系薄盘与厚盘分离以及子结构探测。最后，我们讨论了未来工作，利用归一化流架构使我们能够对缺失测光数据进行精确边缘化，从而在不损失覆盖范围的情况下纳入众多巡天数据。
引用
@article{arxiv.1908.08045,
title = {Modeling the Gaia Color-Magnitude Diagram with Bayesian Neural Flows to Constrain Distance Estimates},
author = {Miles D. Cranmer and Richard Galvez and Lauren Anderson and David N. Spergel and Shirley Ho},
journal= {arXiv preprint arXiv:1908.08045},
year = {2019}
}
备注
15 pages, 8 figures