[论文解读] 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 4

一句话总结

本文提出银河考古神经网络（GANN），一种基于化学成分的神经网络方法，仅利用恒星的化学丰度和年龄来识别吸积盘星。该方法在Auriga项目模拟星系上进行训练，对吸积星的回收率高达80%，精确率（P(TP) > 0.7）也表现优异，包括像Gaia-Enceladus-Sausage这类大质量系统的吸积星，即使在盘中空间上混合分布也能有效识别。

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.

研究动机与目标

• 开发一种仅基于化学丰度和年龄识别银河盘中吸积星的机器学习方法。
• 克服传统运动学方法失效时，空间上混入盘中的吸积星难以检测的挑战。
• 构建一种灵活的概率分类系统，支持根据精确率与召回率调整阈值。
• 测试在多个Auriga星系的晕和卫星星上进行训练，是否能提升模型泛化能力与一致性。
• 通过在其他星系的多样化恒星群体上进行训练，为未来应用于观测数据做好准备。

提出的方法

• 使用Auriga项目模拟的恒星群体训练神经网络模型（NNM），输入特征为化学丰度（如[Fe/H]、[α/Fe]）和年龄。
• 网络输出每颗恒星为吸积星的预测概率（𝑃a），支持灵活的分类阈值设定。
• 训练数据来自目标星系的恒星晕和幸存卫星，性能在盘星上进行评估。
• 构建一个综合NNM，使用全部28个Auriga星系的晕星和卫星星进行训练，以提升泛化能力与一致性。
• 性能通过两个指标衡量：回收率（𝑓recov）和在不同𝑃a阈值下的真正例概率（𝑃(𝑇𝑃)）。
• 在多个模拟星系中验证该方法，包括像Gaia-Enceladus-Sausage这类存在大质量并合事件的星系。

实验结果

研究问题

• RQ1 仅基于化学丰度和年龄训练的神经网络，能否在空间上混入盘中的情况下识别出银河盘中的吸积星？
• RQ2 该神经网络在具有不同并合历史的多个模拟星系中的性能表现如何？
• RQ3 在多个星系环境上联合训练的单一统一NNM，能在多大程度上提升检测的一致性与泛化能力？
• RQ4 与仅使用卫星星训练相比，将晕星纳入训练集在分类准确率与精确率方面有何差异？
• RQ5 通过用等价物模型估算的化学丰度替代单颗恒星的实测值，该方法能否适应观测数据？

主要发现

• 当使用𝑃a阈值为0.5时，GANN对盘中吸积星的回收率（𝑓recov）最高可达80%，在更高阈值下精确率（𝑃(𝑇𝑃) > 0.7）也表现优异。
• 对于类似Gaia-Enceladus-Sausage的系统，24次模拟中有18次回收率超过50%的吸积星，且至少10%的峰值恒星质量被检测到位于盘中。
• 在全部28个Auriga星系的晕星与卫星星上联合训练的综合NNM，在模拟中表现最一致，优于各星系专用模型。
• 仅使用晕星训练时，精确率（𝑃(𝑇𝑃)）仅出现微小下降，表明晕星数据足以支持稳健训练。
• 即使吸积星在空间上混入盘中，且当前环境缺乏大质量幸存卫星，该方法依然有效。
• 通过用等价物模型估算的化学丰度替代实测值，该方法可适应观测数据，使未来无需外部训练数据即可应用于真实恒星巡天。