利用机器学习研究不同金属丰度下尘埃包裹的演化恒星族
星系天体物理
2024-11-20 v1 太阳与恒星天体物理
摘要
质量损失是理解恒星演化、尤其是低金属丰度环境的关键性质。过去几十年中，我们对单星和双星演化模型的认识已显著改善。然而，虽观测上确证存在的 episodic 质量损失尚未被纳入模型，其作用目前尚未确定。一大障碍是缺乏足够大的已分类恒星样本。我们尝试通过应用集成机器学习方法解决此问题，使用颜色指数（来自 IR/Spitzer 和光学/Pan-STARRS 测光）作为特征，并组合三种不同算法的概率。我们在具有已知光谱分类的 M31 和 M33 源上训练，将其归为蓝/黄/红/B[e] 超巨星、亮蓝变星、经典 Wolf-Rayet 以及背景星系/AGN。随后我们将分类器应用于来自 25 个邻近星系的约一百万个 Spitzer 点源，涵盖金属丰度范围（ 至 ）。借助光谱分类，我们研究了这些族随金属丰度的出现情况。
引用
@article{arxiv.2209.06303,
title = {Using machine learning to investigate the populations of dusty evolved stars in various metallicities},
author = {Grigoris Maravelias and Alceste Z. Bonanos and Frank Tramper and Stephan de Wit and Ming Yang and Paolo Bonfini and Emmanuel Zapartas and Konstantinos Antoniadis and Evangelia Christodoulou and Gonzalo Muñoz-Sanchez},
journal= {arXiv preprint arXiv:2209.06303},
year = {2024}
}
备注
6 pages, 2 figures, submited to the proceedings of IAUS 361 Massive Stars Near and Far