[论文解读] A Novel Application of Conditional Normalizing Flows: Stellar Age Inference with Gyrochronology

Phil Van-Lane, Joshua S. Speagle+1 more|arXiv (Cornell University)|Jul 17, 2023

Astronomy and Astrophysical ResearchPhysics and Astronomy被引用 3

一句话总结

本文提出了一种条件归一化流在利用开星团光度数据进行恒星年龄推断中的新颖应用，结合自转周期与颜色关系进行 gyrochronology 分析。该方法实现了与标准技术相当的年龄精度，具备在年龄间隙处稳健插值的能力，并与文献值高度一致。

ABSTRACT

Stellar ages are critical building blocks of evolutionary models, but challenging to measure for low mass main sequence stars. An unexplored solution in this regime is the application of probabilistic machine learning methods to gyrochronology, a stellar dating technique that is uniquely well suited for these stars. While accurate analytical gyrochronological models have proven challenging to develop, here we apply conditional normalizing flows to photometric data from open star clusters, and demonstrate that a data-driven approach can constrain gyrochronological ages with a precision comparable to other standard techniques. We evaluate the flow results in the context of a Bayesian framework, and show that our inferred ages recover literature values well. This work demonstrates the potential of a probabilistic data-driven solution to widen the applicability of gyrochronological stellar dating.

研究动机与目标

• 开发一种数据驱动的、概率性的低质量主序星年龄推断方法，以应对传统方法（如等龄线拟合）因退化问题而失效的困境。
• 应用条件归一化流建模给定年龄下自转周期与颜色的联合分布，实现准确的年龄后验估计。
• 通过在真实开星团观测数据上进行交叉验证和贝叶斯评估，验证模型性能与文献年龄的一致性。
• 评估模型在年龄间隙、观测不确定性以及恒星自转演化内在离散性下的鲁棒性。
• 证明基于机器学习的 gyrochronological 框架可实现与现有经验方法和等龄线法相当的精度。

提出的方法

• 该方法使用条件归一化流（NFs）建模条件概率 $ p(P_{rot} \big| C, \tau) $，通过从潜在变量到观测自转周期的复杂、可逆变换学习该分布。
• 该框架通过贝叶斯定理整合至贝叶斯推断流程：$ p(\tau \big| P_{rot}, C) \propto p(P_{rot} \big| C, \tau) \times p(C \big| \tau) \times p(\tau) $，其中 $ p(\tau) $ 为均匀先验。
• 模型在来自8个开星团的2,878颗恒星上进行训练，其自转周期 $ P_{rot} $ 和盖亚去消光颜色 $ C = (G_{BP} - G_{RP})_0 $ 均已测量，采用留一星团交叉验证策略。
• 通过 NF 生成的似然函数计算后验年龄分布，并与文献年龄 $ \tau_{lit} $ 进行对比，内在离散性通过交叉验证估计。
• 通过比较最终后验 $ p(\tau_{cl}) $ 中的统计不确定性与内在不确定性，评估不确定性传播，结果经卷积处理以考虑模型离散性。
• 该模型可在无训练数据的区域（如300和1,700 Myr）实现插值，表明其在年龄间隙上的泛化能力。

实验结果

研究问题

• RQ1 条件归一化流能否有效建模低质量主序星中自转周期、颜色与年龄之间的复杂非线性关系？
• RQ2 基于数据驱动的 NF 的 gyrochronological 模型在已知年龄的开星团中，对文献年龄的恢复能力如何？
• RQ3 该模型在训练数据中未包含的年龄范围（尤其是显著年龄间隙）上，其泛化能力如何？
• RQ4 内在离散性和观测不确定性在多大程度上影响推断年龄后验的可信度与可靠性？
• RQ5 这种基于概率的、机器学习的框架能否实现与传统等龄线拟合和经验 gyrochronology 模型相当的精度？

主要发现

• 该模型实现的年龄推断精度，其内在离散性范围为0.088至0.99 dex，与等龄线拟合及其他标准技术的不确定性一致。
• 推断的星团年龄后验分布与文献值高度一致，$ \tau_{inf} $ 与 $ \tau_{lit} $ 的关系几乎完全遵循1:1线，表明系统偏差极小。
• 该模型成功在年龄间隙处（如300 Myr和1,700 Myr）对 $ p(P_{rot} \big| \tau, C) $ 实现插值，尽管无训练数据，展示了强大的泛化能力。
• 昴星团（125 Myr）是最显著的离群点，可能由于缺乏年轻恒星的训练数据，以及年轻恒星自转演化更快，凸显了在年轻恒星区域改进校准的必要性。
• 当包含内在离散性时，星团年龄的后验分布校准良好，后验 $ p(\tau_{cl}) $ 展现出合理的不确定性分布，尤其在卷积处理估计离散性后更为明显。
• 该框架表明，基于概率和数据驱动的 gyrochronology 方法，即使在训练数据有限且恒星演化模式复杂的情况下，也能达到与成熟方法相当的精度。