[论文解读] 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 7

一句话总结

本文提出一种基于函数型主成分分析（FPCA）的功能数据分析框架，用于从APOGEE获取的高分辨率恒星光谱中提取内在维度，分离天体物理信号与仪器系统误差。该方法应用于M67星团中的28颗巨星，将光谱维度降低至约10个函数型主成分，结合序列神经似然（Sequential Neural Likelihood）实现精确的元素丰度推断；结果表明化学成分高度均一（Fe ≤ 0.02 dex，C ≤ 0.03 dex，其他元素 ≤ 0.07 dex），暗示核心坍缩超新星未造成自污染，支持银河系考古学中的化学标记技术。

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.

研究动机与目标

• 分离高分辨率光谱巡天中恒星光谱的内在天体物理变化与仪器及观测系统误差。
• 开发一种数据驱动的方法，在保留物理信息的同时降低光谱维度并实现不确定性传播。
• 应用该方法，通过基于模拟的贝叶斯推断，提升在M67星团中恒星参数与元素丰度估计的精度。
• 利用严格的丰度约束，检验M67中因核心坍缩超新星自污染导致化学不均一性的假设。
• 展示函数型主成分（FPCs）在大规模光谱数据中实现降维、系统误差去除及缺失波长插补的实用性。

提出的方法

• 对18,933个APOGEE巨星光谱应用函数型主成分分析（FPCA），以提取内在光谱变化的主要模式。
• 利用FPCs将光谱维度降低至约10个成分，捕获高于观测噪声水平的方差。
• 利用FPCs重建光谱，去除系统性趋势，并通过函数型数据重建方法插补被遮蔽或损坏的波长。
• 将FPCs与序列神经似然（SNL）结合，SNL是一种基于模拟的贝叶斯推断方法，利用神经密度估计器学习非高斯似然函数。
• 通过在28颗M67巨星中对推断的丰度进行分层建模，约束元素丰度的内在离散度。
• 将基于FPC的框架应用于估计M67中28颗巨星的恒星参数与丰度，通过SNL框架实现不确定性传播。

实验结果

研究问题

• RQ1 在去除系统误差后，高分辨率光谱巡天中恒星光谱变化的内在维度是多少？
• RQ2 函数型主成分能否有效分离APOGEE光谱中的天体物理信号与仪器及大气系统误差？
• RQ3 M67星团中的恒星在多大程度上是化学均一的？这对它们的形成与富集历史有何启示？
• RQ4 当似然函数为非高斯且复杂时，基于模拟的贝叶斯推断结合神经密度估计器能否改善丰度估计？
• RQ5 M67中观测到的丰度离散度是否支持或排除了在星团早期演化中存在核心坍缩超新星自污染的可能性？

主要发现

• 在高于观测不确定性的水平上，APOGEE巨星光谱的内在结构需要约10个函数型主成分（FPCs）才能被完整捕捉。
• FPC框架成功降低了光谱维度，同时实现了对被遮蔽波长的精确插补和系统性趋势的有效去除。
• 结合SNL使用FPCs，本研究将M67中丰度的内在离散度约束在：Fe ≤ 0.02 dex，C ≤ 0.03 dex，O、Mg、Si、Ni ≤ 0.04 dex，Ca ≤ 0.05 dex，N、Al ≤ 0.07 dex（95%置信区间）。
• M67中观察到的紧密化学均一性表明缺乏核心坍缩超新星导致的自污染，对原位化学富集模型构成挑战。
• 结果支持在银河系中实现化学标记的可行性，因为该方法能够从高维光谱数据中实现精确且具备不确定性感知的丰度推断。
• 基于FPC的方法为模型依赖性丰度估计提供了稳健、数据驱动的替代方案，在保留物理信息方面优于传统建模方法。