[论文解读] Using Old and New Approaches: Determining Physical Properties of Brown Dwarfs with Empirical Relations and Machine Learning Models

S. Jean Feeser, William M. J. Best|arXiv (Cornell University)|Mar 25, 2022

Stellar, planetary, and galactic studies参考文献 150被引用 7

一句话总结

本文提出了一种新颖的机器学习方法，利用 The Cannon 从低分辨率 SpeX 棱镜光谱中推断棕矮星的物理参数（如绝对星等、光谱型和有效温度），其精度与使用视 parallax 测量校准的传统多项式关系相当或更优。该方法可在无需三角视 parallax 的情况下实现精确的参数估计，同时提供了基于 Pan-STARRS1 至 AllWISE 共 14 个测光波段的全新、体积受限的多项式关系。

ABSTRACT

We investigate applications of machine learning models to directly infer physical properties of brown dwarfs from their photometry and spectra using $ extit{The Cannon}$. We demonstrate that absolute magnitudes, spectral types, and spectral indices can be determined from low-resolution SpeX prism spectra of L and T dwarfs without trigonometric parallax measurements and with precisions competitive with commonly used methods. For T dwarfs with sufficiently precise spectra and photometry, bolometric luminosities and effective temperatures can be determined at precisions comparable to methods that use polynomial relations as a function of absolute magnitudes. We also provide new and updated polynomial relations for absolute magnitudes as a function of spectral types L0-T8 in 14 bands spanning Pan-STARRS $r_{P1}$ to AllWISE $ extit{W3}$, using a volume-limited sample of 256 brown dwarfs defined entirely by parallaxes. These include the first relations for brown dwarfs using Pan-STARRS1 photometry and the first for several infrared bands using a volume-limited sample. We find that our novel method with $ extit{The Cannon}$ can infer absolute magnitudes with equal or smaller uncertainties than the polynomial relations that depend on trigonometric parallax measurements.

研究动机与目标

• 开发一种数据驱动的机器学习方法，仅基于光谱数据推断棕矮星的物理参数，而无需依赖 parallax 测量。
• 基于 256 颗棕矮星的体积受限样本，创建新的、稳健的光谱型与绝对星等之间的多项式关系。
• 评估 The Cannon 在从低分辨率光谱中估计有效温度、光度和光谱指数等物理参数方面的性能。
• 将 The Cannon 的预测精度与通过三角视 parallax 校准的传统多项式方法进行比较。
• 评估将 The Cannon 应用于未来低分辨率光谱巡天（如 SPHEREx）的可行性。

提出的方法

• The Cannon 机器学习模型基于 256 颗体积受限棕矮星的低分辨率 SpeX 棱镜光谱进行训练，使用已知的物理标签（如绝对星等、光谱型）作为训练目标。
• 通过将 J、H 和 K 波段分别识别为独立区域进行归一化，应用连续谱掩膜，因为棕矮星光谱缺乏强无吸收区域。
• 采用蒙特卡洛重采样方法评估模型性能，以考虑绝对星等和光谱型中同时存在的不确定性。
• 利用加权总体最小二乘法和正交距离回归，在体积受限样本上推导出光谱型与绝对星等之间的多项式关系。
• 通过在不同光谱分辨率（例如 R ~ 40）下测试 The Cannon 的性能，以模拟未来巡天条件。
• 通过将预测标签与参考值进行比较来验证该方法，精度通过均方根误差和离散度指标进行评估。

实验结果

研究问题

• RQ1 The Cannon 模型能否在不依赖三角视 parallax 的情况下，从低分辨率光谱中准确推断 L 型和 T 型棕矮星的绝对星等？
• RQ2 The Cannon 的预测精度与依赖视 parallax 校准的传统多项式关系相比如何？
• RQ3 The Cannon 在从信噪比低的光谱中估计有效温度和总光度时表现如何？
• RQ4 光谱分辨率和数据质量如何影响 The Cannon 推断物理参数的准确性？
• RQ5 The Cannon 能否可靠地从低分辨率光谱中估计光谱指数和光谱型，其表现与标准经验方法相比如何？

主要发现

• The Cannon 模型可从低分辨率 SpeX 棱镜光谱中推断 L 型和 T 型棕矮星的绝对星等，其不确定性与依赖三角视 parallax 的多项式关系相当或更小。
• 对于具有高质量光谱和测光数据的 T 型棕矮星，The Cannon 在有效温度和总光度估计方面达到与基于绝对星等的多项式方法相当的精度。
• 本研究首次基于体积受限样本，为 Pan-STARRS1 rP1 和 yP1 波段提供了绝对星等的体积受限多项式关系，并首次为 MKO Y 和 K 波段提供了此类关系。
• 即使在低光谱分辨率（R ~ 40）下，The Cannon 模型仍保持高精度，对 L 型棕矮星的参数推断不确定性仅比高分辨率模型高约 20%，且对 T 型棕矮星的性能至少与高分辨率模型相当。
• 该方法在从低信噪比光谱中估计光谱型和光谱指数方面表现出稳健性，在缺乏视 parallax 数据的情况下优于传统方法。
• 本研究发现，连续谱归一化和参考标签质量是影响 The Cannon 性能的关键因素，并建议引入标签不确定性可进一步提升结果。