論文の概要: Using Neural Network Models to Estimate Stellar Ages from Lithium Equivalent Widths: An EAGLES Expansion
- arxiv url: http://arxiv.org/abs/2409.07523v1
- Date: Wed, 11 Sep 2024 18:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 20:40:16.910716
- Title: Using Neural Network Models to Estimate Stellar Ages from Lithium Equivalent Widths: An EAGLES Expansion
- Title（参考訳）: ニューラルネットワークモデルによるリチウム等価幅からステラー年齢の推定:EAGLESの拡張
- Authors: George Weaver, Robin D. Jeffries, Richard J. Jackson,
- Abstract要約: 冷却星における光球型リチウム劣化のニューラルネットワークモデルを提案する。
このモデルは、ガイア-ESO分光調査で観測された52個の開いている星団の6200個の同じサンプルで訓練されている。
Li I 6708A 等価幅(LiEW)と有効温度データ入力から年齢の推定と確率分布を生成する。
- 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: We present an Artificial Neural Network (ANN) model of photospheric lithium depletion in cool stars (3000 < Teff / K < 6500), producing estimates and probability distributions of age from Li I 6708A equivalent width (LiEW) and effective temperature data inputs. The model is trained on the same sample of 6200 stars from 52 open clusters, observed in the Gaia-ESO spectroscopic survey, and used to calibrate the previously published analytical EAGLES model, with ages 2 - 6000 Myr and -0.3 < [Fe/H] < 0.2. The additional flexibility of the ANN provides some improvements, including better modelling of the "lithium dip" at ages < 50 Myr and Teff ~ 3500K, and of the intrinsic dispersion in LiEW at all ages. Poor age discrimination is still an issue at ages > 1 Gyr, confirming that additional modelling flexibility is not sufficient to fully represent the LiEW - age - Teff relationship, and suggesting the involvement of further astrophysical parameters. Expansion to include such parameters - rotation, accretion, and surface gravity - is discussed, and the use of an ANN means these can be more easily included in future iterations, alongside more flexible functional forms for the LiEW dispersion. Our methods and ANN model are provided in an updated version 2.0 of the EAGLES software.
- Abstract（参考訳）: 冷却星(3000 <Teff / K < 6500)における光球性リチウム劣化のニューラルネットワーク(ANN)モデルを提案し、LiI 6708A等価幅(LiEW)と有効温度データ入力から年齢の推定と確率分布を導出した。
このモデルは、ガイア-ESO分光法で観測された52個の開星団から6200個の恒星の同じサンプルで訓練され、2-6000 Myr と -0.3 < [Fe/H] < 0.2 の EAGLES モデルの校正に使用された。
ANNのさらなる柔軟性は、50MyrとTeff ~3500Kの年齢での"リチウムディップ"のモデリングの改善、あらゆる年齢におけるLiEWの固有の分散など、いくつかの改善を提供する。
年齢の低さは、まだ年齢 > 1 Gyr の問題であり、LiEW - 年齢 - テフ関係を完全に表すには、さらなるモデリングの柔軟性が不十分であることを確認し、さらなる天体物理学的パラメータの関与を示唆している。
このようなパラメータ(回転、降着、表面重力)を含むための拡張について論じ、ANNを使用することにより、LiEW分散のためのより柔軟な関数形式とともに、将来のイテレーションにこれらをより簡単に組み込むことができる。
我々の手法とANNモデルはEAGLESソフトウェアのアップデートバージョン2.0で提供される。
関連論文リスト
- Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - One-Step Diffusion Distillation through Score Implicit Matching [74.91234358410281]
本稿では,Score Implicit Matching (SIM) を用いて,事前学習した拡散モデルを単一ステップジェネレータモデルに蒸留する手法を提案する。
SIMはワンステップジェネレータに対して強い経験的性能を示す。
リードトランスに基づく拡散モデルにSIMを適用することにより,テキスト・ツー・イメージ生成のための単一ステップ生成器を蒸留する。
論文 参考訳（メタデータ） (2024-10-22T08:17:20Z) - Temperature Distribution Prediction in Laser Powder Bed Fusion using Transferable and Scalable Graph Neural Networks [0.0]
本研究では, レーザ粉体融合プロセスにおける熱力学のシミュレーションにグラフニューラルネットワーク(GNN)を用いた新しい予測モデルを提案する。
提案モデルでは,L-PBFにおける熱伝達過程の複雑さを計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2024-07-18T18:14:47Z) - Flow-Based Generative Emulation of Grids of Stellar Evolutionary Models [4.713280433864737]
恒星進化モデルの格子をエミュレートするフローベース生成手法を提案する。
様々な進化軌道やアイソクロンを連続的な入力パラメータにわたってエミュレートする能力を示す。
論文 参考訳（メタデータ） (2024-07-12T16:54:17Z) - Can AI be enabled to dynamical downscaling? A Latent Diffusion Model to mimic km-scale COSMO5.0\_CLM9 simulations [0.0]
ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。
本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。
我々のゴールは、最近の生成モデリングの進歩により、DLが数値力学モデルに匹敵する結果をもたらすことを実証することである。
論文 参考訳（メタデータ） (2024-06-19T15:20:28Z) - Diffusion Soup: Model Merging for Text-to-Image Diffusion Models [90.01635703779183]
シャードデータに基づいてトレーニングされた拡散モデルの重みを平均化する,テキスト・ツー・イメージ・ジェネレーションの複合化手法であるDiffusion Soupを提案する。
提案手法は,構築により,追加記憶や推論コストを伴わずに,無学習の連続学習とアンラーニングを可能にする。
論文 参考訳（メタデータ） (2024-06-12T17:16:16Z) - Alignment is Key for Applying Diffusion Models to Retrosynthesis [24.912841472542322]
拡散モデル(diffusion model)は、保温後の条件付けと、生成時の速度品質のトレードオフを可能にする、有望なモデリングアプローチである。
数学的には、置換同変デノイザはグラフ拡散モデルの表現性を著しく制限し、したがってそれらの逆合成への適応性を示す。
我々の新しいデノイザは、USPTO-50k上のテンプレートフリーおよびテンプレートベースのメソッドで最高1$の精度(54.7$%)を達成する。
論文 参考訳（メタデータ） (2024-05-27T20:57:19Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Long Horizon Temperature Scaling [90.03310732189543]
LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。
温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
論文 参考訳（メタデータ） (2023-02-07T18:59:32Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z) - Ensembling geophysical models with Bayesian Neural Networks [11.972384567130268]
我々は物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発した。
BayNNEは既存のアンサンブル法を上回り、時間外挿のためのRMSEを49.4%削減した。
不確実性も良好で、検証データセットのデータポイントの90.6%が2つの標準偏差内にある。
論文 参考訳（メタデータ） (2020-10-07T18:32:32Z)
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。