利用机器学习从分子线数据预测可靠的H$_2$柱密度图
星系天体物理
2023-09-15 v1
摘要
分子云总质量估计受H-CO转换因子（即所谓的因子）不确定性的影响，该因子用于将CO (1--0)积分强度转换为H柱密度。我们展示了机器学习从四个恒星形成分子云（Orion A、Orion B、Aquila和M17）的CO、CO和CO (1--0)数据集预测H柱密度的能力。当在每个云的子集上进行训练时，预测柱密度的整体分布与Herschel柱密度一致。预测与观测的总柱密度在10%以内一致，表明机器学习预测提供了各云合理的质量总估计。然而，对于 cm（对应于致密气体）的柱密度值分布未能很好预测，这表明训练需要示踪致密气体的分子线观测。我们还发现，当在不同云上训练数据后建立模型时，预测与观测柱密度之间存在显著差异，这突显了各云间存在不同的因子，需在各云上进一步训练以校正这些差异。我们还证明，若小分子线及柱密度图可用于一小部分区域，且大分子线数据可用于更大区域，则该方法可预测Herschel未观测区域的柱密度。
引用
@article{arxiv.2309.07348,
title = {Predicting reliable H$_2$ column density maps from molecular line data using machine learning},
author = {Yoshito Shimajiri and Yasutomo Kawanishi and Shinji Fujita and Yusuke Miyamoto and Atsushi M. Ito and Doris Arzoumanian and Philippe André and Atsushi Nishimura and Kazuki Tokuda and Hiroyuki Kaneko and Shunya Takekawa and Shota Ueda and Toshikazu Onishi and Tsuyoshi Inoue and Shimpei Nishimoto and Ryuki Yoneda},
journal= {arXiv preprint arXiv:2309.07348},
year = {2023}
}
备注
Accepted for publication in MNRAS