[論文レビュー] Machine Learning for Galactic Archaeology: A chemistry-based neural network method for identification of accreted disc stars

Thorold Tronrud, P. B. Tissera+5 more|arXiv (Cornell University)|Jul 14, 2022

Galaxies: Formation, Evolution, Phenomena参考文献 90被引用数 4

ひとこと要約

本稿では、星の化学組成と年齢のみを用いて、付加された銀河ディスク星を特定する化学ベースのニューラルネットワーク手法、Galactic Archaeology Neural Network (GANN) を紹介する。GANN は Auriga プロジェクトのシミュレーテッド銀河で学習させられ、付加された星の回収率が高く（最大80％）、精度（P(TP) > 0.7）も高く、ガリレオ・エンセルラス・ソーサージュのような巨大システムからの星ですら、ディスクに空間的に混合している場合でも同定可能である。

ABSTRACT

We develop a method ('Galactic Archaeology Neural Network', GANN) based on neural network models (NNMs) to identify accreted stars in galactic discs by only their chemical fingerprint and age, using a suite of simulated galaxies from the Auriga Project. We train the network on the target galaxy's own local environment defined by the stellar halo and the surviving satellites. We demonstrate that this approach allows the detection of accreted stars that are spatially mixed into the disc. Two performance measures are defined - recovery fraction of accreted stars, and the probability that a star with a positive (accreted) classification is a true-positive result, P(TP). As the NNM output is akin to an assigned probability, we are able to determine positivity based on flexible threshold values that can be adjusted easily to refine the selection of presumed-accreted stars. We find that GANN identifies accreted disc stars within simulated galaxies, with high recovery fraction and/or high P(TP). We also find that stars in Gaia-Enceladus-Sausage (GES) mass systems are over 50% recovered by our NNMs in the majority (18/24) of cases. Additionally, nearly every individual source of accreted stars is detected at 10% or more of its peak stellar mass in the disc. We also demonstrate that a conglomerated NNM, trained on the halo and satellite stars from all of the Auriga galaxies provides the most consistent results, and could prove to be an intriguing future approach as our observational capabilities expand.

研究の動機と目的

• 星の化学組成と年齢のみを用いて、銀河ディスク内の付加星を識別する機械学習手法を開発すること。
• 従来の運動学的手法が失敗する、空間的にディスクに混合された付加星を検出する課題を克服すること。
• 精度と再現率の調整が可能な柔軟な確率ベースの分類システムを構築すること。
• 複数の Auriga 銀河のハローおよび衛星星を用いた学習が、一般化性と一貫性の向上に寄与するかどうかを検証すること。
• 他の銀河からの多様な星形成パopulationを用いて学習させることで、将来的に観測データへの応用を可能にすること。

提案手法

• ニューラルネットワークモデル（NNM）は、Auriga プロジェクトのシミュレーテッド星形成パopulationを用いて学習され、化学組成（例：[Fe/H]、[α/Fe]）と年齢を入力特徴量として使用する。
• ネットワークは各星が付加されたものである確率（𝑃a）を出力し、分類のための柔軟なしきい値設定が可能になる。
• 学習データは、ターゲット銀河の星形成ハローおよび生存衛星から抽出され、性能評価はディスク星に対して実施される。
• 28 個の Auriga 銀河のハローおよび衛星星を統合して学習したコンglomerated NNM を構築し、一般化性と一貫性を向上させる。
• 性能は、𝑃a のさまざまなしきい値レベルにおける回収率（𝑓recov）および真陽性確率（𝑃(𝑇𝑃)）の2つの指標で測定される。
• ガリレオ・エンセルラス・ソーサージュのような巨大合体イベントを伴う銀河も含め、複数のシミュレーテッド銀河で検証される。

実験結果

リサーチクエスチョン

• RQ1 化学組成と年齢のみで学習したニューラルネットワークは、空間的に混合しているディスク内でも付加星を同定できるか？
• RQ2 異なる合体歴を持つ複数のシミュレーテッド銀河において、ニューラルネットワークの性能はどのように変化するか？
• RQ3 複数の銀河的環境を統合して学習した一括された NNM は、検出の一貫性と一般化性をどの程度向上できるか？
• RQ4 訓練データにハロー星を含める場合と、衛星星のみを用いる場合とを比較した場合、分類の正確性と精度はどの程度異なるか？
• RQ5 個々の星の測定値に代えて等温線ベースの化学的推定値を用いることで、観測データに適応可能なか？

主な発見

• 𝑃a のしきい値が 0.5 の場合、GANN はディスク内の付加星に対して最大 80% の回収率（𝑓recov）を達成し、より高いしきい値では高い精度（𝑃(𝑇𝑃) > 0.7）を示す。
• ガリレオ・エンセルラス・ソーサージュに類似したシステムでは、24 個のシミュレーションのうち 18 個で 50% 以上の付加星が回収され、ピーク星質量の 10% 以上がディスクに検出された。
• 全 28 個の Auriga 銀河のハローおよび衛星星を統合して学習したコンglomerated NNM は、シミュレーション全体で最も一貫性のある性能を示し、銀河別モデルを上回る。
• ハロー星のみで学習させた場合、ハローと衛星星を併用した場合と比較して精度（𝑃(𝑇𝑃)）はわずかに低下するにとどまり、ハローデータが強固な学習に十分であることが示唆される。
• 付加星が空間的にディスクに混合されている場合や、現在の環境に巨大な生存衛星が存在しない場合でも、本手法は有効に機能する。
• 等温線ベースの化学的推定値に置き換えることで、観測データへの適応が可能となり、将来的に外部の学習データを必要としない実際の星の調査に応用可能である。