用于棕矮星模型网格比较的监督式机器学习：在 GJ 570D 与印第安座 ε B 双星系统中的应用
太阳与恒星天体物理
2020-01-08 v3 地球与行星天体物理
摘要
棕矮星的自洽模型网格涉及复杂的物理与化学过程，且常使用专有计算机代码计算，这使得识别模型与数据之间以及不同研究小组所产模型之间的差异原因颇具挑战。在本研究中，我们展示了一种分析棕矮星光谱的新方法，该方法将 Sonora、AMES-Cond 与 HELIOS 模型网格与随机森林这一监督式机器学习方法相结合。除进行大气反演外，随机森林还能作为该方法的自然产物实现三个模型网格的信息量分析，既可在每个网格上单独进行，也可通过计算大量模拟反演将各网格相互比较。我们的分析表明，在碱金属谱线形状建模中所做的不同选择妨碍了将碱金属谱线用作引力指标。尽管如此，1.2 微米以上的光谱包含了关于表面重力的足够信息，从而允许通过反演推断其数值。温度或许可以准确且精确地推断，且与模型网格的选择无关，但表面重力则不然。我们将随机森林反演应用于三个天体：基准 T7.5 型棕矮星 GJ 570D；以及属于双星系统且拥有测得动力学质量的印第安座 ε Ba（T1.5 型棕矮星）和 Bb（T6 型棕矮星）。对于 GJ 570D，推断的有效温度与表面重力与先前研究一致。对于印第安座 ε Ba 和 Bb，推断的表面重力与由动力学质量所确定的数值大体一致。
引用
@article{arxiv.1910.11795,
title = {Supervised Machine Learning for Intercomparison of Model Grids of Brown Dwarfs: Application to GJ 570D and the Epsilon Indi B Binary System},
author = {Maria Oreshenko and Daniel Kitzmann and Pablo Marquez-Neila and Matej Malik and Brendan P. Bowler and Adam J. Burgasser and Raphael Sznitman and Chloe E. Fisher and Kevin Heng},
journal= {arXiv preprint arXiv:1910.11795},
year = {2020}
}
备注
Accepted for publication in The Astronomical Journal