Крупномасштабная карта (330 000 световых лет на стороне) плотности 217 миллионов звезд из выборки Gaia DR3 XP в галактоцентрических декартовых координатах. Фото предоставлено: Ф. Андерс, Университет Барселоны.
Группа ученых во главе с Потсдамским институтом астрофизики Лейбница (AIP) и Институтом космических наук Университета Барселоны (ICCUB) использовала новую модель машинного обучения для обработки данных о 217 миллионах звезд, захваченных телескопом Гайя. чрезвычайно эффективным образом.
Результаты конкурентоспособны с традиционными методами оценки параметров звезд. Этот новый подход открывает захватывающие возможности для картирования таких свойств, как межзвездное поглощение и металличность Млечного Пути, способствуя нашему пониманию звездного населения и структуры нашей галактики.
Третий выпуск данных космической миссии Gaia Европейского космического агентства предоставил астрономам доступ к улучшенным измерениям для 1,8 миллиарда звезд, предоставив огромный объем данных для изучения Млечного Пути.
Однако эффективный анализ такого большого набора данных сопряжен с трудностями. В ходе исследования исследователи изучили использование машинного обучения для оценки ключевых свойств звезд с использованием спектрофотометрических данных Гайи. Модель была обучена на высококачественных данных от 8 миллионов звезд и позволила получить надежные прогнозы с низкой неопределенностью.
Работа опубликована в журнале Astronomy & Astrophysicals.
«Базовый метод, называемый «Деревья с экстремальным градиентом», позволяет с беспрецедентной эффективностью оценивать точные свойства звезд, такие как температура, химический состав и затемнение межзвездной пылью. Разработанная модель машинного обучения SHBoost выполняет свои задачи, включая обучение модели и прогнозирование, за четыре часа на одном графическом процессоре — процесс, который ранее требовал двух недель и 3000 высокопроизводительных процессоров», — говорит Арман Халатян из AIP и ведущий автор исследования. .
«Таким образом, метод машинного обучения значительно сокращает время вычислений, потребление энергии и выбросы CO2». Это первый случай, когда такой метод успешно применяется к звездам всех типов одновременно».
Модель обучается на высококачественных спектроскопических данных из небольших звездных обзоров, а затем применяет эти идеи к основному третьему выпуску данных Gaia (DR3), извлекая ключевые звездные параметры, используя только фотометрические и астрометрические данные, а также XP-спектры Gaia с низким разрешением.
«Высокое качество результатов снижает потребность в дополнительных ресурсоемких спектроскопических наблюдениях при поиске хороших кандидатов для дальнейших исследований, таких как редкие бедные металлами или богатые суперметаллами звезды, которые имеют решающее значение для понимания самых ранних этапов формирования. Млечного Пути», — говорит Кристина Кьяппини из AIP.
Этот метод окажется решающим для подготовки будущих многообъектных спектроскопических наблюдений, таких как 4MIDABLE-LR, крупномасштабное исследование Галактического диска и Балджа, которое станет частью проекта 4MOST в Европейской южной обсерватории (ESO). в Чили.
«Новый подход к моделированию предоставляет исчерпывающие карты всего химического состава Млечного Пути и подтверждает распределение молодых и старых звезд. Данные показывают концентрацию богатых металлами звезд во внутренних областях галактики, включая перемычки и балджи, с огромной статистической достоверностью», — добавляет Фридрих Андерс из ICCUB.
Команда также использовала модель для картирования молодых массивных горячих звезд по всей галактике, выделив далекие, малоисследованные области, где формируются звезды. Данные также показывают, что в нашем Млечном Пути есть ряд «звездных пустот» — областей, в которых очень мало молодых звезд. Кроме того, данные показывают, что трехмерное распределение межзвездной пыли все еще плохо разрешено.
Поскольку Gaia продолжает собирать данные, способность моделей машинного обучения быстро и устойчиво обрабатывать огромные наборы данных делает их важным инструментом для будущих астрономических исследований.
Успех этого подхода демонстрирует потенциал машинного обучения, способный произвести революцию в анализе больших данных в астрономии и других научных областях, одновременно продвигая более устойчивые исследовательские практики.
Информация от: Потсдамским институтом астрофизики Лейбница.
