![CARMENES busca exoplanetas alrededor de M Dwarfs – método de aprendizaje de transferencia profunda para identificar Teff y [M/H] estrellas objetivo](https://astrobiology.com/wp-content/uploads/2023/04/CARMENES.png)
CARMENES busca exoplanetas alrededor de M Dwarfs – método de aprendizaje de transferencia profunda para identificar Teff y [M/H] estrellas objetivo
Representación de la estrategia adoptada para el enfoque basado en red, en el que se rediseñó el componente ANN con respecto al modelo DL derivado de los espectros PHOENIX-ACES (para comparación con la Fig. 1 de Passegger et al. 2020). – Astro-F. SOY
Las grandes cantidades de datos astrofísicos proporcionados por los instrumentos actuales y futuros requieren herramientas de análisis eficientes y rápidas.
El aprendizaje por transferencia es un nuevo enfoque que promete una mayor precisión en los productos de datos derivados, con información que se mueve de un dominio para mejorar la precisión de un modelo de red neuronal en otro dominio.
En este trabajo, demostramos la viabilidad de aplicar un enfoque de aprendizaje profundo (DTL) a espectros de alta resolución en el marco de la determinación de parámetros estelares fotónicos. Con este fin, utilizamos 14 estrellas de muestra de la encuesta Carmen con diámetros de ángulo interferométrico para calcular la temperatura efectiva, así como seis enanas M que son compañeras de movimiento adecuadas comunes en primarias FGK metálicas conocidas. Después de entrenar un modelo de red neuronal de aprendizaje profundo (DL) en espectros PHOENIX-ACES sintéticos, usamos representaciones de características internas junto con 14 + 6 estrellas con mediciones de parámetros independientes como una nueva entrada para el proceso de transferencia.
Comparamos los parámetros estelares derivados de una pequeña muestra de enanas M que habían sido eliminadas de la etapa de entrenamiento con los resultados de otros métodos en la literatura. Suponiendo que las temperaturas del centelleo biométrico, los radios de interferencia y la metalurgia de los diodos FGK+M son lo suficientemente precisas, el DTL proporciona una resolución más alta que el método DL moderno anterior (las diferencias absolutas medias mejoran en 20 K para la temperatura y 0,2 dex para los metales). de DL a DTL en Compararlos con valores de referencia de interferometría y diodos FGK+M). Además, la precisión del aprendizaje automático (interno) de DTL también mejora porque las incertidumbres son cinco veces menores en promedio.
Estos resultados indican que DTL es una herramienta poderosa para obtener parámetros estelares de enanas M similares a los obtenidos a partir de estimaciones independientes de estrellas conocidas.
A. Bello-García, VM Passegger, J. Ordieres-Meré, A. Schweitzer, JA Caballero, A. González-Marcos, I. Ribas, A. Reiners, A. Quirrenbach, PJ Amado, VJS Béjar, C. Cifuentes, y. Henning, A. Kaminski, R. Luque, D. Montes, JC Morales, S. Pedraz, HM Tabernero, M. Zechmeister
Materias: Astrofísica Solar y Estelar (astro-ph.SR); Astrofísica de la Tierra y los Planetas (astro-ph.EP); Instrumentos y métodos astrofísicos (astro-ph.IM)
Citado como: arXiv:2304.00224 [astro-ph.SR] (o arXiv: 2304.00224v1 [astro-ph.SR] para esta versión)
Día de entrega
QUIÉN: Antonio Bello García
[v1] sábado 1 de abril de 2023 04:57:09 UTC (1701 KB)
https://arxiv.org/abs/2304.00224
astrobiología,
“Defensor de la Web. Geek de la comida galardonado. Incapaz de escribir con guantes de boxeo puestos. Apasionado jugador”.