利用演化神经网络推导星系丰度
天体物理学
2012-05-10 v1
摘要
目前已有越来越多的指示剂被可靠地用于测量行星状星云、星系HII区(GHIIRs)、河外HII区(EGHIIRs)和HII星系(HIIGs)中光致电离区的金属丰度(Z)。然而，尚无适用于高金属丰度的普适指示剂。在此，我们报告一种基于人工智能的新方法来确定金属丰度指示剂，该方法有望提供改进的经验拟合。该方法的关键在于将演化神经网络应用于观测发射线数据。网络的DNA编码于其架构、权重和神经元传递函数中，并使用遗传算法进行演化。此外，基于一组10种不同神经元传递函数的选择机制，意味着网络解架构中编码的经验关系是函数形式而非数值形式。因此，网络解无需先验假设即可提供以线比值表示的金属丰度方程。利用该方法提供的数学能力，我们将该网络应用于96个HII型区域样本的光学星云和极光发射线的详细观测，获得了Z与S23之间的经验关系，其弥散度仅为0.16 dex。我们展示了如何利用该方法识别新的诊断量，以及金属丰度Z、电离参数U和有效（或等效）温度T*之间假设存在的非线性关系。
引用
@article{arxiv.0709.2990,
title = {On the deduction of galaxy abundances with evolutionary neural networks},
author = {Michael Taylor and Angeles I. Diaz},
journal= {arXiv preprint arXiv:0709.2990},
year = {2012}
}
备注
Accepted for publication in PASP. 6 pages, 2 figures