[论文解读] Youth analysis of near infrared spectra of young low-mass stars and brown dwarfs

V. Almendros-Abad, K. Mužić+3 more|arXiv (Cornell University)|Oct 12, 2021

Stellar, planetary, and galactic studies参考文献 106被引用 24

一句话总结

本文提出一种基于机器学习与光谱指数的方法，用于从低分辨率近红外（JHK）光谱中识别年龄≤10 Myr的年轻低质量恒星和棕矮星。该方法引入了一种新型重力敏感指数TLI-g，在M0–L3型光谱范围内，其在区分年轻与场星方面优于现有指数；使用完整光谱的机器学习模型实现了近乎完美的分类准确率，并确定H波段轮廓及FeH/KI特征为识别年轻天体最关键的指标。

ABSTRACT

We aim at building a method that efficiently identifies young low-mass stars and brown dwarfs from low-resolution near-infrared spectra, by studying gravity-sensitive features and their evolution with age. We built a dataset composed of all publicly available ($\sim$2800) near-infrared spectra of dwarfs with spectral types between M0 and L3. First, we investigate methods for the derivation of the spectral type and extinction using comparison to spectral templates, and various spectral indices. Then, we examine gravity-sensitive spectral indices and apply machine learning methods, in order to efficiently separate young ($\lesssim$10 Myr) objects from the field. Using a set of six spectral indices for spectral typing, including two newly defined ones (TLI-J and TLI-K), we are able to achieve a precision below 1 spectral subtype across the entire spectral type range. We define a new gravity-sensitive spectral index (TLI-g) that consistently separates young from field objects, showing a performance superior to other indices from the literature. Even better separation between the two classes can be achieved through machine learning methods which use the entire NIR spectra as an input. Moreover, we show that the H- and K-bands alone are enough for this purpose. Finally, we evaluate the relative importance of different spectral regions for gravity classification as returned by the machine learning models. We find that the H-band broad-band shape is the most relevant feature, followed by the FeH absorption bands at 1.2 $\mu m$ and 1.24 $\mu m$ and the KI doublet at 1.24 $\mu m$.

研究动机与目标

• 开发一种稳健、自动化的年轻低质量恒星和棕矮星识别方法，适用于利用低分辨率近红外（NIR）光谱的年轻星团。
• 通过量化重力敏感特征随年龄和光谱型的变化行为，克服人工目视检查的局限性。
• 创建一种统一、可扩展的青年分类系统，适用于M0–L3光谱范围，包括L3型之后的天体。
• 利用机器学习可解释性方法评估不同光谱区域对青年分类的相对重要性。
• 通过提供一种可靠、定量的青年指标，实现对即将到来的大规模近红外光谱巡天（如MOONS、JWST）的高效分析。

提出的方法

• 整理了2,800个公开获取的冷却矮星（M0–L3）低分辨率近红外光谱数据集，其中包括10个新的SINFONI/VLT年轻棕矮星光谱。
• 使用光谱模板比对与光谱指数（包括两个新指数：TLI-J和TLI-K）推导光谱型与消光，精度达到子型级别。
• 基于H波段和K波段特征，定义了一种新型重力敏感指数TLI-g，用于区分年轻（≤10 Myr）与场星。
• 应用多种机器学习模型——LDA、SVM、PCA+SVM与随机森林，分别以TLI-g指数+光谱型和完整JHK光谱作为输入。
• 利用随机森林的特征重要性分析与主成分分析（PCA），识别对青年分类最具信息量的光谱区域。
• 在完整JHK波段与受限的H+K波段范围内测试模型性能，评估有限光谱覆盖的可行性。

实验结果

研究问题

• RQ1 新型重力敏感光谱指数（TLI-g）是否能在M0–L3范围内，优于现有指数，有效区分年龄≤10 Myr的年轻低质量恒星与棕矮星和场星？
• RQ2 与基于指数的方法相比，使用完整近红外光谱训练的机器学习模型在青年分类准确率方面能提升多少？
• RQ3 哪些光谱区域（波段或特征）对青年分类最具信息量？其重要性如何随年龄类别变化？
• RQ4 鉴于H波段与K波段在以往研究中被广泛使用，仅使用这两个波段是否足以实现可靠的青年分类？
• RQ5 来自邻近年轻运动群（NYMGs）的天体以及具有青年特征的场星（INT-G）在TLI-g与光谱型（SpT）空间中的分布如何？能否被可靠地区分？

主要发现

• 新型TLI-g指数在M0–L3光谱范围内实现了年轻（≤10 Myr）与场星的近乎完全分离，且在光谱型较晚的类型中性能进一步提升。
• 使用完整JHK光谱的机器学习模型在区分年轻与场星方面实现了接近100%的分类准确率，优于仅使用TLI-g指数的模型。
• H波段的宽带轮廓是青年分类最重要的特征，其重要性峰值出现在1.56–1.58、1.66–1.68和1.69–1.71 µm波段。
• 1.2 µm和1.24 µm处的FeH吸收带，以及1.24 µm处的KI双线，是青年检测中最重要的特征之一，且在各类模型中保持一致的重要性。
• K波段的特征重要性呈平坦分布，表明K波段的宽带轮廓在区分能力上弱于H波段特征，但仍具信息量。
• 仅使用H波段与K波段训练的模型性能与使用完整JHK光谱的模型相当，证实这两个波段已足够用于青年分类。