|
Более четкое представление о Млечном пути
|
|
|
|
Группа ученых под руководством Института астрофизики им. Лейбница в Потсдаме (AIP) и Института космических наук Барселонского университета (ICCUB) использовали новую модель машинного обучения для чрезвычайно эффективной обработки данных о 217 миллионах звезд, наблюдаемых миссией Gaia.
|
|
|
|
Полученные результаты не уступают традиционным методам, используемым для оценки параметров звезд. Этот новый подход открывает захватывающие возможности для составления карт таких характеристик, как межзвездное угасание и металличность, по всему Млечному Пути, что помогает понять звездные популяции и структуру нашей галактики.
|
|
|
|
С третьим выпуском данных космической миссии Европейского космического агентства Gaia астрономы получили доступ к улучшенным измерениям для 1,8 миллиарда звезд, что предоставляет огромный объем данных для исследования 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 Gaia. Модель была обучена на высококачественных данных о 8 миллионах звезд и позволила получить надежные прогнозы с небольшими погрешностями. Работа опубликована в журнале Astronomy & Astrophysics.
|
|
|
|
|
|
|
"Лежащий в основе 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, в течение четырех часов на одном графическом процессоре — процесс, который ранее требовал двух недель и 3000 высокопроизводительных процессоров", - говорит Арман Халатян из AIP и первый автор исследования.
|
|
|
|
"Таким образом, метод машинного обучения значительно сокращает время вычислений, потребление энергии и выброс CO2". Впервые такая методика была успешно применена к звездам всех типов одновременно.
|
|
|
|
Модель обучается на высококачественных спектроскопических данных, полученных в ходе небольших исследований звезд, а затем применяет полученные знания к третьему крупному выпуску данных Gaia (DR3), извлекая ключевые параметры звезд, используя только фотометрические и астрометрические данные, а также спектры Gaia XP низкого разрешения.
|
|
|
|
"Высокое качество результатов снижает необходимость в дополнительных ресурсоемких спектроскопических наблюдениях при поиске подходящих кандидатов для дальнейших исследований, таких как звезды с низким содержанием редких металлов или звезды, богатые сверхметаллами, что имеет решающее значение для понимания самых ранних этапов формирования Млечного Пути", - говорит Кристина Кьяппини от AIP.
|
|
|
|
Этот метод, как оказалось, имеет решающее значение для подготовки будущих наблюдений с помощью многообъектной спектроскопии, таких как 4MIDABLE-LR, масштабный обзор галактического диска и выпуклости, который станет частью проекта 4MOST Европейской южной обсерватории (ESO) в Чили.
|
|
|
|
"Новый модельный подход позволяет получить обширные карты общего химического состава Млечного Пути, подтверждающие распределение молодых и старых звезд. Полученные данные показывают концентрацию богатых металлами звезд во внутренних областях галактики, включая бар и балдж, с огромной статистической точностью", - добавляет Фридрих Андерс из ICCUB.
|
|
|
|
Команда также использовала эту модель для составления карты молодых массивных горячих звезд по всей галактике, выделив отдаленные, плохо изученные области, в которых формируются звезды. Данные также показывают, что в нашем Млечном Пути существует ряд "звездных пустот", то есть областей, в которых находится очень мало молодых звезд. Кроме того, данные показывают, что трехмерное распределение межзвездной пыли все еще плохо изучено.
|
|
|
|
Поскольку Gaia продолжает собирать данные, способность моделей машинного обучения быстро и устойчиво обрабатывать огромные массивы данных делает их важным инструментом для будущих астрономических исследований.
|
|
|
|
Успех этого подхода демонстрирует потенциал машинного обучения для революционного анализа больших данных в астрономии и других научных областях, способствуя при этом более устойчивым исследовательским практикам.
|
|
|
|
Источник
|
