透過蓋亞和機器學習更清楚地觀察銀河系

由波茨坦萊布尼茨天體物理研究所(AIP) 和巴塞隆納大學宇宙科學研究所(ICCUB) 領導的一組科學家使用一種新穎的機器學習模型來處理蓋亞任務觀測到的2.17 億顆恆星的數據。

此結果與用於估計恆星參數的傳統方法具有競爭力。這種新方法為繪製銀河系的星際滅絕和金屬豐度等特徵提供了令人興奮的機會，有助於了解恆星族群和銀河系的結構。

隨著歐洲太空總署蓋亞太空任務的第三次數據發布，天文學家獲得了 18 億顆恆星的改進測量，這為研究銀河系提供了大量數據。

然而，有效分析如此大的數據集提出了挑戰。在這項研究中，研究人員探索如何利用機器學習，並利用蓋亞的分光光度資料來估計關鍵的恆星特性。該模型經過訓練來自 800 萬顆恆星，並實現了不確定性很小的可靠預測。

工作是發表在日記中天文學與天文物理學。

「稱為極端梯度增強樹的基礎技術可以以前所未有的效率估計精確的恆星特性，例如溫度、化學成分和星際塵埃遮蔽。開發的機器學習模型 SHBoost 完成了其任務，包括該研究的第一作者、AIP 的 Arman Khalatyan 表示：“在單個 GPU 上，四小時內即可完成預測，這一過程以前需要兩週時間和 3,000 個高性能處理器。”

「因此，機器學習方法顯著減少了計算時間、能源消耗和二氧化碳排放。₂發射。

該模型對來自較小恆星巡天的高質量光譜數據進行訓練，然後將這種學習應用到蓋亞的大型第三次數據發布（DR3）中，僅使用光度和天體測量數據以及蓋亞低分辨率XP 光譜來擷取關鍵恆星參數。

「在尋找可供進一步研究的良好候選者（例如稀有金屬貧恆星或超金屬富恆星）時，高品質的結果減少了對額外資源密集型光譜觀測的需求，這對於了解最早的階段至關重要銀河系形成的過程，」AIP 的Cristina Chiappini 說。

事實證明，這項技術對於準備未來的多目標光譜觀測至關重要，例如 4MIDABLE-LR，這是一項針對銀河盤和核球的大型調查，將成為歐洲南方天文台 (ESO) 4MOST 項目的一部分在智利。

「新的模型方法提供了銀河系整體的廣泛地圖，佐證了年輕和年老明星的分佈。這些數據顯示了星系內部區域（包括條狀和核球）富含金屬的恆星的濃度，具有巨大的統計能力，」ICCUB 的弗里德里希·安德斯補充道。

該團隊還使用該模型繪製了整個星系中年輕的大質量熾熱恆星的地圖，突出顯示了遙遠的、研究不足的恆星形成區域。數據還顯示，我們的銀河系中存在許多“恆星空洞”，即年輕恆星很少的區域。此外，數據顯示星際塵埃的三維分佈仍然難以解析。

隨著蓋亞繼續收集數據，機器學習模型快速、可持續地處理大量數據集的能力使其成為未來天文學研究的重要工具。

此方法的成功顯示機器學習有可能徹底改變天文學和其他科學領域的大數據分析，同時促進更永續的研究實踐。