Gaia ve makine öğrenimi ile Samanyolu’nun daha keskin bir görünümü

Leibniz Potsdam Astrofizik Enstitüsü (AIP) ve Barselona Üniversitesi Kozmos Bilimleri Enstitüsü (ICCUB) liderliğindeki bir grup bilim insanı, Gaia misyonu tarafından gözlemlenen 217 milyon yıldıza ilişkin verileri işlemek için yeni bir makine öğrenme modeli kullandı. son derece etkili bir yol.

Sonuçlar, yıldız parametrelerini tahmin etmek için kullanılan geleneksel yöntemlerle rekabet edebilecek düzeydedir. Bu yeni yaklaşım, Samanyolu boyunca yıldızlararası yok oluş ve metaliklik gibi özellikleri haritalandırmak için heyecan verici fırsatlar yaratıyor ve yıldız popülasyonlarının ve galaksimizin yapısının anlaşılmasına yardımcı oluyor.

Avrupa Uzay Ajansı’nın Gaia uzay misyonunun üçüncü verilerinin yayınlanmasıyla birlikte gökbilimciler, Samanyolu’nun araştırılması için büyük miktarda veri sağlayan 1,8 milyar yıldıza yönelik geliştirilmiş ölçümlere erişim kazandı.

Ancak bu kadar büyük bir veri kümesini verimli bir şekilde analiz etmek bazı zorlukları da beraberinde getiriyor. Araştırmada araştırmacılar, Gaia’nın spektrofotometrik verilerini kullanarak temel yıldız özelliklerini tahmin etmek için makine öğreniminin kullanımını araştırdılar. Model, 8 milyon yıldızdan alınan yüksek kaliteli verilerle eğitildi ve küçük belirsizliklerle güvenilir tahminler elde etti.

İş yayınlandı dergide Astronomi ve Astrofizik.

“Aşırı gradyanla güçlendirilmiş ağaçlar olarak adlandırılan temel teknik, sıcaklık, kimyasal bileşim ve yıldızlararası toz kararması gibi yıldız özelliklerinin eşi benzeri görülmemiş bir verimlilikle kesin olarak tahmin edilmesine olanak tanıyor. Geliştirilen makine öğrenimi modeli SHBoost, model eğitimi ve AIP’den ve çalışmanın ilk yazarı Arman Khalatyan, “Daha önce iki hafta ve 3.000 yüksek performanslı işlemci gerektiren bir süreç olan bu süreç, tek bir GPU üzerinden dört saat içinde tahmin edilebiliyor” diyor.

“Makine öğrenimi yöntemi bu nedenle hesaplama süresini, enerji tüketimini ve CO2’yi önemli ölçüde azaltıyor₂ Bu, böyle bir tekniğin her türden yıldıza aynı anda başarılı bir şekilde uygulandığı ilk seferdir.

Model, daha küçük yıldız araştırmalarından elde edilen yüksek kaliteli spektroskopik veriler üzerinde eğitim alır ve daha sonra bu öğrenmeyi Gaia’nın büyük üçüncü veri sürümüne (DR3) uygulayarak yalnızca fotometrik ve astrometrik verilerin yanı sıra Gaia’nın düşük çözünürlüklü XP spektrumlarını kullanarak önemli yıldız parametrelerini çıkarır.

“Sonuçların yüksek kalitesi, nadir metal açısından fakir veya süper metal açısından zengin yıldızlar gibi daha ileri çalışmalar için seçilecek iyi adayları ararken, kaynak açısından yoğun ek spektroskopik gözlemlere olan ihtiyacı azaltır; bu, en erken aşamaları anlamak için çok önemlidir. Samanyolu oluşumunun” diyor AIP’den Cristina Chiappini.

Bu tekniğin, Avrupa Güney Gözlemevi’ndeki (ESO) 4MOST projesinin bir parçası olacak Galaktik Disk ve Bulge’un geniş bir araştırması olan 4MIDABLE-LR gibi çok nesneli spektroskopi ile gelecekteki gözlemlerin hazırlanması için çok önemli olduğu ortaya çıktı. Şili’de.

“Yeni model yaklaşımı, Samanyolu’nun genel kimyasal bileşiminin kapsamlı haritalarını sunarak genç ve yaşlı yıldızların dağılımını doğruluyor. Veriler, çubuk ve çıkıntı da dahil olmak üzere galaksinin iç bölgelerindeki metal açısından zengin yıldızların muazzam bir yoğunlukta olduğunu gösteriyor. istatistiksel güç” diye ekliyor ICCUB’dan Friedrich Anders.

Ekip aynı zamanda modeli galaksideki genç, büyük kütleli sıcak yıldızların haritasını çıkarmak için de kullandı; yıldızların oluştuğu uzak, az çalışılmış bölgeleri vurguladı. Veriler aynı zamanda Samanyolu’nda, yani çok az sayıda genç yıldıza ev sahipliği yapan bölgelerde çok sayıda “yıldız boşluğu” bulunduğunu da ortaya koyuyor. Ayrıca veriler, yıldızlararası tozun üç boyutlu dağılımının nerede hala çözülemediğini gösteriyor.

Gaia veri toplamaya devam ederken, makine öğrenimi modellerinin geniş veri kümelerini hızlı ve sürdürülebilir bir şekilde işleme yeteneği, onları gelecekteki astronomik araştırmalar için önemli bir araç haline getiriyor.

Yaklaşımın başarısı, makine öğreniminin astronomi ve diğer bilimsel alanlardaki büyük veri analizinde devrim yaratırken daha sürdürülebilir araştırma uygulamalarını teşvik etme potansiyelini ortaya koyuyor.