[論文レビュー] Functional Data Analysis for Extracting the Intrinsic Dimensionality of Spectra: Application to Chemical Homogeneity in the Open Cluster M67

Aarya A. Patil, Jo Bovy+2 more|arXiv (Cornell University)|Sep 22, 2021

Stellar, planetary, and galactic studies参考文献 89被引用数 7

ひとこと要約

本論文は、APOGEEの高分解能恒星スペクトルから、天体物理学的信号と機器的システム特異性を分離するための関数型主成分分析（FPCA）を用いた関数型データ解析フレームワークを導入する。28個の巨星を含むオープンクラスタM67に適用した結果、スペクトル次元を約10の関数的成分に低減し、順次ニューラル尤度（Sequential Neural Likelihood）を用いて高精度な元素組成推定が可能となった。その結果、化学的均一性が極めて高く（Fe ≤ 0.02 dex、C ≤ 0.03 dex、他の元素は ≤ 0.07 dex）、コアコラプス型超新星による自己汚染がなく、銀河宇宙探査における化学的タグの可能性を支持する。

ABSTRACT

High-resolution spectroscopic surveys of the Milky Way have entered the Big Data regime and have opened avenues for solving outstanding questions in Galactic archaeology. However, exploiting their full potential is limited by complex systematics, whose characterization has not received much attention in modern spectroscopic analyses. In this work, we present a novel method to disentangle the component of spectral data space intrinsic to the stars from that due to systematics. Using functional principal component analysis on a sample of $18,933$ giant spectra from APOGEE, we find that the intrinsic structure above the level of observational uncertainties requires ${\approx}$10 functional principal components (FPCs). Our FPCs can reduce the dimensionality of spectra, remove systematics, and impute masked wavelengths, thereby enabling accurate studies of stellar populations. To demonstrate the applicability of our FPCs, we use them to infer stellar parameters and abundances of 28 giants in the open cluster M67. We employ Sequential Neural Likelihood, a simulation-based Bayesian inference method that learns likelihood functions using neural density estimators, to incorporate non-Gaussian effects in spectral likelihoods. By hierarchically combining the inferred abundances, we limit the spread of the following elements in M67: $\mathrm{Fe} \lesssim 0.02$ dex; $\mathrm{C} \lesssim 0.03$ dex; $\mathrm{O}, \mathrm{Mg}, \mathrm{Si}, \mathrm{Ni} \lesssim 0.04$ dex; $\mathrm{Ca} \lesssim 0.05$ dex; $\mathrm{N}, \mathrm{Al} \lesssim 0.07$ dex (at 68% confidence). Our constraints suggest a lack of self-pollution by core-collapse supernovae in M67, which has promising implications for the future of chemical tagging to understand the star formation history and dynamical evolution of the Milky Way.

研究の動機と目的

• 高分解能分光調査における、恒星スペクトルの固有の天体物理学的変動と機器的・観測的システム特異性を分離すること。
• スペクトル次元を低減しつつ物理的情報を保持し、不確実性の伝播を可能にするデータ駆動型手法の開発。
• シミュレーションに基づくベイズ推論を用いて、オープンクラスタM67における星のパラメータと組成を、より高い精度で推定すること。
• コアコラプス型超新星による自己汚染がM67の化学的不均一性を引き起こすという仮説を、厳密な組成制約を用いて検証すること。
• 大規模分光データにおいて、次元削減、システム特異性の除去、欠損波長の補完に、関数型主成分（FPC）がどのように有用であるかを示すこと。

提案手法

• 18,933個のAPOGEE巨星スペクトルに関数型主成分分析（FPCA）を適用し、固有のスペクトル変動の主要モードを抽出する。
• FPCを用いてスペクトル次元を約10成分に低減し、観測ノイズレベルを超える分散を捉える。
• FPCを用いてスペクトルを再構築し、システム特異性を除去し、マスキングまたは損傷した波長を関数型データ再構築により補完する。
• FPCと順次ニューラル尤度（SNL）を組み合わせ、非ガウス的尤度を学習するためのニューラル密度推定器を用いた、シミュレーションベースのベイズ推論手法を採用する。
• 28個のM67巨星における推定組成を階層的モデリングし、元素組成の固有分散を制約する。
• FPCに基づくフレームワークを用いて、M67の28個の巨星の星のパラメータと組成を推定し、SNLフレームワークを通じた不確実性の伝播を実施する。

実験結果

リサーチクエスチョン

• RQ1 システム特異性を除去した後、高分解能分光調査における恒星スペクトル変動の固有次元はどの程度か？
• RQ2 関数型主成分が、APOGEEスペクトルにおける天体物理学的信号と機器的・大気的システム特異性を効果的に分離できるか？
• RQ3 オープンクラスタM67の星々はどの程度化学的に均一であり、それはそれらの形成および元素豊度の歴史にどのような意味を持つのか？
• RQ4 尤度が非ガウス的かつ複雑な場合に、ニューラル密度推定器を用いたシミュレーションベースのベイズ推論は、組成推定を改善できるか？
• RQ5 M67で観測された組成分散は、クラスタ初期進化におけるコアコラプス型超新星による自己汚染を支持するか、あるいは排除するか？

主な発見

• 観測不確実性を超えるAPOGEE巨星スペクトルの固有構造を完全に捉えるには、約10の関数型主成分（FPC）が必要である。
• FPCフレームワークは、スペクトル次元を低減しつつ、マスキングされた波長の正確な補完とシステム特異性の除去に成功している。
• FPCと順次ニューラル尤度を組み合わせた結果、M67における固有組成分散は68%信頼区間で、Fe ≤ 0.02 dex、C ≤ 0.03 dex、O, Mg, Si, Ni ≤ 0.04 dex、Ca ≤ 0.05 dex、N, Al ≤ 0.07 dex に制約された。
• M67で観測されたきわめて高い化学的均一性は、コアコラプス型超新星による自己汚染がなかったことを示唆し、局所的化学的豊度増加モデルに疑問を呈する。
• この結果は、ミルキーウェイにおける化学的タグの可能性を支持する。なぜなら、この手法により高次元スペクトルデータから不確実性を考慮した高精度な組成推定が可能になったからである。
• FPCに基づくアプローチは、従来のモデリングで捨てられがちな物理的情報を保持する、モデル依存性のない強固な代替手法を提供する。