一群由波茨坦莱布尼茨天体物理研究所（AIP）和巴塞罗那大学宇宙科学研究所（ICCUB）领导的科学家，利用一种创新的机器学习模型，成功地处理了盖亚任务观测到的2.17亿颗恒星的数据，展现了前所未有的效率。
这种新方法在估计恒星参数方面与传统方法不相上下，为绘制银河系的星际灭绝和金属丰度提供了新的视角，帮助我们更深入地理解恒星的分布和银河系的结构。
随着欧洲航天局盖亚太空任务的第三次数据发布，天文学家们获得了对18亿颗恒星的精确测量，这为银河系的研究提供了丰富的数据资源。
然而，分析如此庞大的数据集并非易事。在这项研究中，研究人员尝试通过机器学习来利用盖亚的分光光度数据估计关键的恒星特性。该模型在800万颗恒星的高质量数据上进行了训练，并在极小的不确定性下实现了可靠的预测。
这项研究已在《天文学与天体物理学》杂志上发表。
“我们使用的基础技术，极端梯度增强树，能够以前所未有的效率估计恒星的温度、化学成分和星际尘埃遮挡。开发的机器学习模型SHBoost在单个GPU上完成了包括模型训练和预测在内的所有任务，这在过去需要两周时间和3000个高性能处理器，”AIP的Arman Khalatyan说，他是该研究的首席作者。
“因此，机器学习方法显著减少了计算时间、能耗和碳排放。”这是首次成功将这种技术应用于所有类型的恒星。
该模型首先在较小恒星巡天的高质量光谱数据上进行训练，然后将这种学习应用于盖亚大型第三次数据发布（DR3），仅使用光度和天体测量数据以及盖亚低分辨率XP光谱来提取关键恒星参数。
AIP的Cristina Chiappini表示：“在寻找适合进一步研究的候选恒星时，高质量的结果减少了对额外资源密集型光谱观测的需求，例如稀有金属贫乏或超金属丰富的恒星，这对于理解银河系形成的早期阶段至关重要。”
这项技术对于准备未来的多目标光谱观测至关重要，比如4MIDABLE-LR，这是一项对银河系盘和凸起的大型调查，将成为智利欧洲南方天文台（ESO） 4MOST项目的一部分。
“新的模型方法提供了银河系整体化学成分的广泛地图，证实了年轻和年老恒星的分布。来自ICCUB的弗里德里希·安德斯补充说：“这些数据显示，富含金属的恒星集中在银河系的内部区域，包括棒状和凸起，具有巨大的统计能力。”
该团队还利用该模型绘制了整个星系中年轻的、大质量的热恒星的地图，突出了恒星形成的遥远的、研究较少的区域。数据还显示，在我们的银河系中存在许多“恒星空洞”，即很少有年轻恒星的区域。此外，这些数据表明，星际尘埃的三维分布仍然很不清楚。
随着盖亚继续收集数据，机器学习模型快速、可持续地处理大量数据集的能力，使它们成为未来天文研究的重要工具。
本文来自作者[svs]投稿，不代表立场，如若转载，请注明出处：http://dasbrooksbookkeeping.com/post/3928.html
评论列表（4条）
我是的签约作者“svs”！
希望本篇文章《用盖亚和机器学习更清晰地观察银河系＂(真的有挂)-知乎》能对你有所帮助！
本站[]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：...