ガイアと機械学習で天の川をより鮮明に観察

ポツダム・ライプニッツ天体物理学研究所 (AIP) とバルセロナ大学宇宙科学研究所 (ICCUB) が率いる科学者グループは、新しい機械学習モデルを使用して、ガイア計画で観測された 2 億 1,700 万個の星のデータを非常に効率的な方法で処理しました。

この結果は、星のパラメーターを推定するために使用される従来の方法と比較して優れています。この新しいアプローチは、星間消滅や天の川銀河全体の金属量などの特徴をマッピングするエキサイティングな機会をもたらし、星の個体群と銀河の構造の理解を助けます。

欧州宇宙機関のガイア宇宙ミッションの 3 回目のデータ公開により、天文学者は 18 億個の星の改善された測定値にアクセスできるようになり、天の川銀河の研究に膨大な量のデータが提供されました。

ただし、このような大規模なデータセットを効率的に分析するには課題があります。この研究では、研究者らはガイアの分光測光データを使用して主要な星の特性を推定するための機械学習の使用を検討しました。モデルは次のようにトレーニングされました800 万の星からの予測を実現し、不確実性が小さい信頼性の高い予測を実現しました。

作品は出版された日記で天文学と天体物理学.

「極端な勾配ブースト ツリーと呼ばれる基礎的な技術により、温度、化学組成、星間塵の遮蔽などの星の特性を前例のない効率で正確に推定できます。開発された機械学習モデル SHBoost は、以下のタスクを完了します。以前は 2 週間と 3,000 個の高性能プロセッサが必要だったプロセスを、単一の GPU で 4 時間以内に実行できます」と、AIP の Arman Khalatyan 氏 (この研究の筆頭著者) は述べています。

「したがって、機械学習手法により、計算時間、エネルギー消費量、および CO2 が大幅に削減されます。₂このような技術が一度にすべてのタイプの星に適用されることに成功したのはこれが初めてである。

このモデルは、小規模な恒星調査から得られた高品質の分光データに基づいてトレーニングされ、その後、この学習を Gaia の大規模な 3 番目のデータ リリース (DR3) に適用し、測光データと天文データ、および Gaia の低解像度 XP スペクトルのみを使用して主要な恒星のパラメーターを抽出します。

「結果の質が高いため、天の川銀河形成の初期段階を理解するために重要な、希少金属に乏しい星や超金属に富む星など、さらなる研究に適した候補を探す際に、追加のリソースを大量に消費する分光観測の必要性が軽減されます」とAIPのクリスティーナ・キアッピーニ氏は言う。

この技術は、チリのヨーロッパ南天天文台 (ESO) の 4MOST プロジェクトの一部となる銀河円盤とバルジの大規模調査である 4MIDABLE-LR など、多天体分光法による将来の観測の準備にとって非常に重要であることが判明しました。

「新しいモデルのアプローチは、天の川銀河全体の広範な地図を提供します。、若いスターと古いスターの分布を裏付けています。このデータは、バーやバルジを含む銀河の内部領域に金属が豊富な星が集中していることを示しており、非常に高い統計力を持っています」とICCUBのフリードリッヒ・アンダース氏は付け加えた。

研究チームはまた、このモデルを使用して、銀河全体の若く巨大な熱い星をマッピングし、星が形成されている遠く離れた十分に研究されていない領域を強調しました。このデータはまた、私たちの天の川銀河には多数の「星の空洞」、つまり若い星がほとんど存在しない領域が存在することも明らかにしています。さらに、このデータは、星間塵の三次元分布がまだ十分に解明されていないことを示しています。

ガイアがデータ収集を続けるにつれて、機械学習モデルは膨大なデータセットを迅速かつ持続的に処理できるため、将来の天文学研究に不可欠なツールとなります。

このアプローチの成功は、機械学習が天文学やその他の科学分野におけるビッグデータ分析に革命をもたらし、より持続可能な研究実践を促進する可能性を示しています。