[論文レビュー] A new method for unveiling Open Clusters in Gaia: new nearby Open Clusters confirmed by DR2

A. Castro-Ginard, C. Jordi+5 more|Dipòsit Digital de la Universitat de Barcelona (Universitat de Barcelona)|May 8, 2018

Stellar, planetary, and galactic studies参考文献 25被引用数 5

ひとこと要約

本論文は、ガイヤーDR2における開放集団（OCs）を自動で検出する新規で自動化された手法を提示する。この手法は、銀経（l）、銀緯（b）、距離パラメータ（π）、自己運動（μα*, μδ）の5次元のアストロメトリック空間におけるDBSCANクラスタリングと、色mag図（CMD）分析を用いて実際のOCと統計的過剰密度を区別するための人工ニューラルネットワーク（ANN）を組み合わせたものである。この手法により、31個の新規候補のうち70%が実際のOCとして確認され、5人以上のメンバーを持つクラスタでは100%の成功率を示し、大規模なOC発見において高い信頼性を示している。

ABSTRACT

The publication of the Gaia Data Release 2 (Gaia DR2) opens a new era in Astronomy. It includes precise astrometric data (positions, proper motions and parallaxes) for more than $1.3$ billion sources, mostly stars. To analyse such a vast amount of new data, the use of data mining techniques and machine learning algorithms are mandatory. The search for Open Clusters, groups of stars that were born and move together, located in the disk, is a great example for the application of these techniques. Our aim is to develop a method to automatically explore the data space, requiring minimal manual intervention. We explore the performance of a density based clustering algorithm, DBSCAN, to find clusters in the data together with a supervised learning method such as an Artificial Neural Network (ANN) to automatically distinguish between real Open Clusters and statistical clusters. The development and implementation of this method to a $5$-Dimensional space ($l$, $b$, $\varpi$, $μ_{α^*}$, $μ_δ$) to the Tycho-Gaia Astrometric Solution (TGAS) data, and a posterior validation using Gaia DR2 data, lead to the proposal of a set of new nearby Open Clusters. We have developed a method to find OCs in astrometric data, designed to be applied to the full Gaia DR2 archive.

研究の動機と目的

• ガイヤーDR2のような大規模アストロメトリックデータセットにおける開放集団の検出のため、手動による介入が最小限の自動化された手法を開発すること。
• 大規模な調査において手動検出の限界を補うために、データマイニングおよび機械学習技術を活用すること。
• ガイヤーDR2への全般的な適用の前に、TGASデータを用いて手法の妥当性を検証し、堅牢性と信頼性を確保すること。
• アストロメトリックおよび光度的データを多次元空間で分析することで、これまでに未知であった近傍の開放集団を同定すること。
• ガイヤーDR2のより深い限界と均一な全天カバー範囲を活かして、遠方で暗い集団の検出を向上させること。

提案手法

• 本手法は、銀経（l）、銀緯（b）、距離パラメータ（π）、自己運動（μα*, μδ）からなる5次元空間において、密度に基づくクラスタリングアルゴリズムであるDBSCANを適用して星をグループ化する。
• 人工ニューラルネットワーク（ANN）を訓練し、その色mag図（CMD）を分析することで、クラスタを実際のものか統計的過剰密度かを分類する。
• ANNの学習データセットは、既知の開放集団から得られ、CMDの特徴量を入力として用い、実際の集団構造とランダムな過剰密度を区別する。
• 本手法は、最初にシミュレーテッドデータおよびTGAS（より小さいが手作業で検証可能なデータセット）を用いてテストされる。
• DBSCANによる検出後、ANNは各候補クラスタのCMDを評価し、誤検出をフィルタリングすることで、検出の正確性を向上させる。
• 最終出力は、高信頼性のOC候補リストであり、確認のためガイヤーDR2データを用いて結果の相互確認が行われる。

実験結果

リサーチクエスチョン

• RQ1 DBSCANは、実際の開放集団に対応する5次元アストロメトリック空間における星の過剰密度を効果的に同定できるか？
• RQ2 訓練済みの人工ニューラルネットワークは、色mag図（CMD）のみを用いて、実際の開放集団と統計的過剰密度を信頼性高く区別できるか？
• RQ3 TGASとガイヤーDR2のデータにおいて、本手法の性能（検出完全性と誤検出率）はどのように比較されるか？
• RQ4 本手法は、1–2 kpcを超える領域における、これまでに未知の開放集団をどの程度検出できるか？
• RQ5 パrameter感度（例：DBSCANのε）および学習データの代表性という観点から、本手法の限界は何か？

主な発見

• 既知のクラスタをMWSCカタログから除外した後、本手法は31個の新しい開放集団候補を効果的に同定した。
• ガイヤーDR2データを用いた結果、31個の候補のうち70%が実際の開放集団として確認され、検出の信頼性が非常に高いことが示された。
• 5人以上のメンバーを持つクラスタに対しては、本手法が100%の正確性で実際のクラスタとして正しく同定した。
• オリオンOB1やセプテムスOB2のような領域では、より洗練された構造的特徴が明らかになり、大規模な連星集団内での新しいサブグループ発見の可能性を示唆した。
• TGASデータにはスキャン法に起因するアーティファクトが含まれていたが、ガイヤーDR2では顕著に減少し、検出品質が向上した。
• 本手法の性能はDBSCANのεパラメータに敏感であり、クラスタの距離と空間密度に応じた適応的チューニングが求められるため、全DR2への適用にあたっては適応的チューニングの必要性が示された。