論文の概要: Using autoencoders and deep transfer learning to determine the stellar parameters of 286 CARMENES M dwarfs

• arxiv url: http://arxiv.org/abs/2405.08703v1
• Date: Tue, 14 May 2024 15:42:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 13:39:33.648120
• Title: Using autoencoders and deep transfer learning to determine the stellar parameters of 286 CARMENES M dwarfs
• Title（参考訳）: 自己エンコーダとディープトランスファー学習を用いて286個のCARMENES M小星の恒星パラメータを決定する
• Authors: P. Mas-Buitrago, A. González-Marcos, E. Solano, V. M. Passegger, M. Cortés-Contreras, J. Ordieres-Meré, A. Bello-García, J. A. Caballero, A. Schweitzer, H. M. Tabernero, D. Montes, C. Cifuentes,
• Abstract要約: 本稿では,高分解能スペクトルから恒星パラメータを決定するために,オートエンコーダに基づく特徴量に基づくディープトランスファー学習(DTL)手法を提案する。 CARMENESサーベイで観測された286M小星の有効温度, 表面重力, 金属性, および投射回転速度の新たな推定法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) techniques are a promising approach among the set of methods used in the ever-challenging determination of stellar parameters in M dwarfs. In this context, transfer learning could play an important role in mitigating uncertainties in the results due to the synthetic gap (i.e. difference in feature distributions between observed and synthetic data). We propose a feature-based deep transfer learning (DTL) approach based on autoencoders to determine stellar parameters from high-resolution spectra. Using this methodology, we provide new estimations for the effective temperature, surface gravity, metallicity, and projected rotational velocity for 286 M dwarfs observed by the CARMENES survey. Using autoencoder architectures, we projected synthetic PHOENIX-ACES spectra and observed CARMENES spectra onto a new feature space of lower dimensionality in which the differences between the two domains are reduced. We used this low-dimensional new feature space as input for a convolutional neural network to obtain the stellar parameter determinations. We performed an extensive analysis of our estimated stellar parameters, ranging from 3050 to 4300 K, 4.7 to 5.1 dex, and -0.53 to 0.25 dex for Teff, logg, and [Fe/H], respectively. Our results are broadly consistent with those of recent studies using CARMENES data, with a systematic deviation in our Teff scale towards hotter values for estimations above 3750 K. Furthermore, our methodology mitigates the deviations in metallicity found in previous DL techniques due to the synthetic gap. We consolidated a DTL-based methodology to determine stellar parameters in M dwarfs from synthetic spectra, with no need for high-quality measurements involved in the knowledge transfer. These results suggest the great potential of DTL to mitigate the differences in feature distributions between the observations and the PHOENIX-ACES spectra.
• Abstract（参考訳）: 深層学習(Deep Learning, DL)技術は、M小星における恒星パラメータの絶え間ない決定に使用される一連の手法の中で有望なアプローチである。 この文脈では、伝達学習は、合成的ギャップ(つまり、観測されたデータと合成データの特徴分布の違い)による結果の不確実性を緩和する上で重要な役割を果たす可能性がある。 本稿では,高分解能スペクトルから恒星パラメータを決定するために,オートエンコーダに基づく特徴量に基づくディープトランスファー学習(DTL)手法を提案する。 この手法を用いて, CARMENES法で観測された286個の小星に対して, 有効温度, 表面重力, 金属量, 投射回転速度の新たな推定値を提供する。 オートエンコーダアーキテクチャを用いて、合成PHOENIX-ACESスペクトルを投影し、CARMENESスペクトルを2つの領域の違いを低減した低次元の特徴空間に投影した。 我々はこの低次元特徴空間を畳み込みニューラルネットワークの入力として使用し、恒星パラメータの決定値を得た。 我々は,テフ,ログ,[Fe/H]について,3050～4300K,4.7～5.1dex,-0.53～0.25dexと推定された恒星パラメータを広範囲に分析した。 CARMENESデータを用いた最近の研究では,3750K以上の推定値に対するテフスケールの系統的な偏差が認められている。 合成スペクトルからM小星の恒星パラメータを決定するために,DTLに基づく手法を統合し,知識伝達に関わる高品質な測定を不要とした。 これらの結果は、観測値とPHOENIX-ACESスペクトルとの間の特徴分布の違いを緩和するDTLの大きな可能性を示している。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Machine learning for exoplanet detection in high-contrast spectroscopy Combining cross correlation maps and deep learning on medium-resolution integral-field spectra [0.0]
  積分場分光(IFS)データセットにおけるスペクトル次元と空間次元を利用する新しい手法を開発した。 我々は,高コントラスト系外惑星に対する検出感度を向上させるために,教師付きディープラーニングアルゴリズムを訓練する。 我々は,ML手法が検出限界を改良し,直接撮像された惑星の偽陽性を低減できる可能性を実証した。
  論文  参考訳（メタデータ） (2024-05-22T09:25:58Z)
• Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• deep-REMAP: Parameterization of Stellar Spectra Using Regularized Multi-Task Learning [0.0]
  確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$) 我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-11-07T05:41:48Z)
• O-type Stars Stellar Parameter Estimation Using Recurrent Neural Networks [0.0]
  これまでの研究では、恒星モデルに適合する信頼性の高い方法を確立するために、機械学習とディープラーニングのアルゴリズムのセットを比較した。 本稿では,ニューラルネットワークの観点から,個々の物理パラメータを推定する方法について述べる。 3つの異なるリカレントニューラルネットワークシステムの開発、恒星スペクトルモデルを用いたトレーニングプロセス、9つの異なる観測された恒星スペクトルに対するテスト、および過去の研究における推定との比較について述べる。
  論文  参考訳（メタデータ） (2022-10-23T17:18:52Z)
• Estimation of stellar atmospheric parameters from LAMOST DR8 low-resolution spectra with 20$\leq$SNR$<$30 [2.514059405625551]
  本研究は、LAMOST DR8低分解能スペクトルに対する$T_texttteff, logg$, [Fe/H] 推定問題を20$leq$SNR$30で検討した。 T_texttteff, logg$, [Fe/H] の平均絶対誤差は LASP (137.6 K, 0.195 dex, 0.091 dex) からLASSO-MLP (84.32 K, 0.137 dex) に還元される。
  論文  参考訳（メタデータ） (2022-04-13T11:09:24Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic Mitigation [3.2855185490071444]
  最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。 フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
  論文  参考訳（メタデータ） (2021-06-25T16:01:19Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。