[論文レビュー] The Cannon 2: A data-driven model of stellar spectra for detailed chemical abundance analyses

Andrew R. Casey, David W. Hogg+4 more|arXiv (Cornell University)|Mar 9, 2016

Stellar, planetary, and galactic studies参考文献 4被引用数 48

ひとこと要約

The Cannon 2 は、低SNRの星のスペクトルから有効温度、表面重力、および15種類の元素の過剰量を含む17個の星の特徴を推定するデータ駆動型で、圧縮センシングに裏付けられたモデルを導入する。12,681個のAPOGEE赤超巨星で訓練された本モデルは、SNRを50%低下させた後でも、元素の過剰量測定で0.04 dexの精度を達成し、球状星団における固有の過剰量分散が以前の報告よりも狭いことが明らかになった。

ABSTRACT

We have shown that data-driven models are effective for inferring physical attributes of stars (labels; Teff, logg, [M/H]) from spectra, even when the signal-to-noise ratio is low. Here we explore whether this is possible when the dimensionality of the label space is large (Teff, logg, and 15 abundances: C, N, O, Na, Mg, Al, Si, S, K, Ca, Ti, V, Mn, Fe, Ni) and the model is non-linear in its response to abundance and parameter changes. We adopt ideas from compressed sensing to limit overall model complexity while retaining model freedom. The model is trained with a set of 12,681 red-giant stars with high signal-to-noise spectroscopic observations and stellar parameters and abundances taken from the APOGEE Survey. We find that we can successfully train and use a model with 17 stellar labels. Validation shows that the model does a good job of inferring all 17 labels (typical abundance precision is 0.04 dex), even when we degrade the signal-to-noise by discarding ~50% of the observing time. The model dependencies make sense: the spectral derivatives with respect to abundances correlate with known atomic lines, and we identify elements belonging to atomic lines that were previously unknown. We recover (anti-)correlations in abundance labels for globular cluster stars, consistent with the literature. However we find the intrinsic spread in globular cluster abundances is 3--4 times smaller than previously reported. We deliver 17 labels with associated errors for 87,563 red giant stars, as well as open-source code to extend this work to other spectroscopic surveys.

研究の動機と目的

• 低SNRの星のスペクトルから、15種類の元素の過剰量を含む高次元の星の特徴を推定できる堅牢なデータ駆動型モデルの開発。
• 従来の物理ベースのモデルの限界を克服する。これらのモデルは計算コストが高く、不完全な原子データに依存しており、中程度のSNR比では性能が劣る。
• 特にノイズが多いまたは劣化したデータを含む大規模分光調査において、化学的過剰量分析の精度と一貫性を向上させること。
• 物理的スペクトル特徴を反映し、球状星団における過剰量の反比例関係のような天文学的に意味のあるパターンを明らかにする解釈可能なモデルを提供すること。
• コミュニティによる拡張と他の分光調査への応用を可能にするオープンソースツールの提供。

提案手法

• 本モデルは、高次元のラベル空間におけるモデルの柔軟性を保ちつつ、全体の複雑さを制限する、圧縮センシングにインspiredされたアプローチを採用する。
• 非線形でデータ駆動型の回帰フレームワークを用いて、既知の物理的パラメータと過剰量を有する12,681個の高SNRのAPOGEE赤超巨星スペクトルで訓練される。
• 各ラベルに関するスペクトル微分を学習することで、既知の原子線と強く相関するようになり、物理的解釈可能性が向上する。
• 観測スペクトルからラベルへの非線形なマッピングを学習することで、過剰量の変化や大気パラメータによるスペクトル変動を考慮する。
• ファイバー番号をAPOGEEにおける分解能の変動の代理として用い、波長およびファイバー依存の線幅関数をモデルが暗黙的に学習・補正できるようにする。
• SNRが低下したデータを用いた妥当性評価により、過剰量測定で0.04 dexの精度を示す、ロバストで信頼性の高い性能が確認された。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型モデルは、低SNR条件下でも17個の星の特徴（15種類の元素の過剰量を含む）を正確に推定できるか？
• RQ2 過剰量および大気パラメータの変化に対する複雑な非線形スペクトル応答を学習する際、物理的解釈可能性はどの程度保持されるか？
• RQ3 より高い精度で測定した場合、球状星団の星における固有の過剰量分散はどの程度で、従来の文献の推定値と比べてどうなるか？
• RQ4 学習されたスペクトル微分を通じて、以前に未知であった原子線を同定できるか？
• RQ5 精度を損なわずに、ノイズが多いまたは劣化したデータに一般化できる範囲はどの程度か？

主な発見

• SNRを50%以上低下させた後でも、15要素すべてで通常0.04 dexの過剰量精度を達成した。
• 過剰量に関するスペクトル微分は、既知の原子線と強く相関しており、以前に未知であったスペクトル特徴の同定が可能になった。
• 球状星団の星における固有の過剰量分散は、従来の文献の報告値よりも3〜4倍小さいことが判明した。
• 本モデルは、球状星団の星における既知のはっきりした（反）相関関係を正確に回復しており、既存の天文学的モデルと整合的であった。
• 低SNRデータにおいても、本モデルは優れた性能を示し、大規模な調査における一般化能力と信頼性の高さが裏付けられた。
• オープンソースコードおよび87,563個の赤超巨星の17ラベルのカタログは公開されており、コミュニティによる利用と拡張が可能である。