論文の概要: ChronoFlow: A Data-Driven Model for Gyrochronology

• arxiv url: http://arxiv.org/abs/2412.12244v1
• Date: Mon, 16 Dec 2024 19:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:56:48.841639
• Title: ChronoFlow: A Data-Driven Model for Gyrochronology
• Title（参考訳）: ChronoFlow: ジロクロノロジーのためのデータ駆動モデル
• Authors: Phil R. Van-Lane, Joshua S. Speagle, Gwendolyn M. Eadie, Stephanie T. Douglas, Phillip A. Cargile, Catherine Zucker, Yuxi, Lu, Ruth Angus,
• Abstract要約: ジャロクロノロジー(英: Gyrochronology)は、恒星の周期を回転周期で制限する技法であり、磁気ブレーキによって恒星の主系列寿命が変化する。 我々はこれまでに、オープンクラスタにおけるローターの最も大きな標準化されたデータカタログを、1.5 Myrから4 Gyrまでの30個のオープンクラスタ/アソシエーションにまたがる7,400個の星からなる、オープンクラスタにまとめてきた。 クロノフローは、モデル回転進化を正確に前進させ、星団年齢と個々の恒星年齢の両方を推定するために使用できることを示す。
• 参考スコア（独自算出の注目度）: 0.46435896353765527
• License:
• Abstract: Gyrochronology is a technique for constraining stellar ages using rotation periods, which change over a star's main sequence lifetime due to magnetic braking. This technique shows promise for main sequence FGKM stars, where other methods are imprecise. However, models have historically struggled to capture the observed rotational dispersion in stellar populations. To properly understand this complexity, we have assembled the largest standardized data catalog of rotators in open clusters to date, consisting of ~7,400 stars across 30 open clusters/associations spanning ages of 1.5 Myr to 4 Gyr. We have also developed ChronoFlow: a flexible data-driven model which accurately captures observed rotational dispersion. We show that ChronoFlow can be used to accurately forward model rotational evolution, and to infer both cluster and individual stellar ages. We recover cluster ages with a statistical uncertainty of 0.06 dex ($\approx$ 15%), and individual stellar ages with a statistical uncertainty of 0.7 dex. Additionally, we conducted robust systematic tests to analyze the impact of extinction models, cluster membership, and calibration ages on our model's performance. These contribute an additional $\approx$ 0.06 dex of uncertainty in cluster age estimates, resulting in a total error budget of 0.08 dex. We estimate ages for the NGC 6709 open cluster and the Theia 456 stellar stream, and calculate revised rotational ages for M34, NGC 2516, NGC 1750, and NGC 1647. Our results show that ChronoFlow can precisely estimate the ages of coeval stellar populations, and constrain ages for individual stars. Furthermore, its predictions may be used to inform physical spin down models. ChronoFlow will be publicly available at https://github.com/philvanlane/chronoflow.
• Abstract（参考訳）: ジャロクロノロジー(英: Gyrochronology)は、恒星の周期を回転周期で制限する技法であり、磁気ブレーキによって恒星の主系列寿命が変化する。 この手法は、他の手法が不正確である主系列のFGKM星を約束する。 しかし、歴史的に、モデルは恒星の集団の観測された回転分散を捉えるのに苦労してきた。 この複雑さを正しく理解するために、我々は、1.5 Myr から 4 Gyr の年齢にまたがる30個のオープンクラスタ/連想にまたがる約7,400個の星からなる、これまでで最大のローターの標準化されたデータカタログを作成した。 我々はまた、観測された回転分散を正確にキャプチャするフレキシブルデータ駆動モデルであるChronoFlowを開発した。 クロノフローは、モデル回転進化を正確に前進させ、星団年齢と個々の恒星年齢の両方を推定するために使用できることを示す。 統計的不確実性は0.06デクス(15%)、統計的不確実性は0.7デックス(15%)である。 さらに, 絶滅モデル, クラスターメンバーシップ, キャリブレーション年齢がモデルの性能に与える影響を分析するために, 頑健な系統試験を行った。 これらは、クラスター年齢推定における不確実性のデックスの$\approx$ 0.06 dexを付加し、総誤差予算は 0.08 dex となる。 我々は,NGC 6709オープンクラスタとTheia 456恒星ストリームの年齢を推定し,M34,NGC 2516,NGC 1750,NGC 1647の回転年齢を補正した。 以上の結果から、クロノフローは恒星の年齢を正確に推定し、個々の恒星の年齢を制限できることがわかった。 さらに、その予測は物理的スピンダウンモデルに通知するために使われる。 ChronoFlowはhttps://github.com/philvanlane/chronoflow.comで公開される。

関連論文リスト

• The Application of Machine Learning in Tidal Evolution Simulation of Star-Planet Systems [13.080151140004276]
  進化曲線を生成する速度は、モデル生成曲線を4桁以上上回る。 我々の研究は、重要な計算資源と時間を最小限の精度で節約する効率的な方法を提供する。
  論文  参考訳（メタデータ） (2024-08-29T02:09:19Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• The Scaling Law in Stellar Light Curves [3.090476527764192]
  本稿では,天文時系列データから学習する際の法則のスケーリングについて,自己監督的手法を用いて検討する。 自己教師付きトランスフォーマーモデルは,最先端の教師付き学習モデルと比較して,サンプル効率を3～10倍に向上させる。 本研究は,大規模自己回帰生成モデルを用いて恒星の光度曲線を解析するための基礎研究である。
  論文  参考訳（メタデータ） (2024-05-27T13:31:03Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• A Novel Application of Conditional Normalizing Flows: Stellar Age Inference with Gyrochronology [0.0]
  データ駆動型アプローチは、他の標準手法に匹敵する精度でジャイロロノロジー年代を制約できることを示す。 この研究は、ジャイロロノロジー星年代測定の適用性を拡大する確率論的データ駆動解の可能性を示す。
  論文  参考訳（メタデータ） (2023-07-17T18:00:19Z)
• Timely Asynchronous Hierarchical Federated Learning: Age of Convergence [59.96266198512243]
  クライアント-エッジ-クラウドフレームワークを用いた非同期階層型フェデレーション学習環境について検討する。 クライアントはトレーニングされたパラメータをエッジサーバと交換し、ローカルに集約されたモデルを更新する。 各クライアントの目標は、クライアントのタイムラインを維持しながら、グローバルモデルに収束することだ。
  論文  参考訳（メタデータ） (2023-06-21T17:39:16Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Uncertainty-Aware Blob Detection with an Application to Integrated-Light Stellar Population Recoveries [0.0]
  ULoGと呼ばれるブロブ検出のための古典的なラプラシア・オブ・ガウス法の不確実性対応バージョンを開発した。 我々は、ULoGを推定されたM54年齢/金属量分布に適用し、その恒星の2つから3つの有意な個体群を同定した。
  論文  参考訳（メタデータ） (2022-08-11T15:34:27Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• RotNet: Fast and Scalable Estimation of Stellar Rotation Periods Using Convolutional Neural Networks [0.903415485511869]
  深層学習の力を利用して、ケプラー光曲線から恒星の自転周期を遅らせる。 我々は、回転周期を推定する現在の標準である、ランダムな森林回帰器、1D CNN、自動相関関数(ACF)に対して、我々の手法をベンチマークする。
  論文  参考訳（メタデータ） (2020-12-02T07:14:11Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。