論文の概要: Classifying Cool Dwarfs: Comprehensive Spectral Typing of Field and Peculiar Dwarfs Using Machine Learning
- arxiv url: http://arxiv.org/abs/2508.09370v1
- Date: Tue, 12 Aug 2025 21:58:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.70136
- Title: Classifying Cool Dwarfs: Comprehensive Spectral Typing of Field and Peculiar Dwarfs Using Machine Learning
- Title（参考訳）: クールドワーフの分類:機械学習を用いたフィールドとペキュリヤドワーフの包括的スペクトルタイピング
- Authors: Tianxing Zhou, Christopher A. Theissen, S. Jean Feeser, William M. J. Best, Adam J. Burgasser, Kelle L. Cruz, Lexu Zhao,
- Abstract要約: 低質量星と茶色の小星の分類。
機械学習(ML)手法の最近の進歩は、スペクトルタイピングのための自動アプローチを提供する。
我々は,M0--T9小星の低分解能近赤外スペクトルに対するスペクトル型分類におけるMLの適用について検討した。
- 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: Low-mass stars and brown dwarfs -- spectral types (SpTs) M0 and later -- play a significant role in studying stellar and substellar processes and demographics, reaching down to planetary-mass objects. Currently, the classification of these sources remains heavily reliant on visual inspection of spectral features, equivalent width measurements, or narrow-/wide-band spectral indices. Recent advances in machine learning (ML) methods offer automated approaches for spectral typing, which are becoming increasingly important as large spectroscopic surveys such as Gaia, SDSS, and SPHEREx generate datasets containing millions of spectra. We investigate the application of ML in spectral type classification on low-resolution (R $\sim$ 120) near-infrared spectra of M0--T9 dwarfs obtained with the SpeX instrument on the NASA Infrared Telescope Facility. We specifically aim to classify the gravity- and metallicity-dependent subclasses for late-type dwarfs. We used binned fluxes as input features and compared the efficacy of spectral type estimators built using Random Forest (RF), Support Vector Machine (SVM), and K-Nearest Neighbor (KNN) models. We tested the influence of different normalizations and analyzed the relative importance of different spectral regions for surface gravity and metallicity subclass classification. Our best-performing model (using KNN) classifies 95.5 $\pm$ 0.6% of sources to within $\pm$1 SpT, and assigns surface gravity and metallicity subclasses with 89.5 $\pm$ 0.9% accuracy. We test the dependence of signal-to-noise ratio on classification accuracy and find sources with SNR $\gtrsim$ 60 have $\gtrsim$ 95% accuracy. We also find that zy-band plays the most prominent role in the RF model, with FeH and TiO having the highest feature importance.
- Abstract（参考訳）: 低質量星と茶色の小星 -- スペクトル型(SpTs)M0以降 -- は、恒星や準恒星の過程や人口動態を研究する上で重要な役割を果たし、惑星質量の天体まで到達している。
現在、これらの音源の分類は、スペクトルの特徴の視覚的検査、等価幅の測定、狭帯域・広帯域スペクトルの指標に大きく依存している。
機械学習(ML)手法の最近の進歩は、スペクトルタイピングのための自動アプローチを提供しており、Gaia、SDSS、SPHERExといった大規模な分光調査が数百万のスペクトルを含むデータセットを生成するにつれ、ますます重要になっている。
我々は,SpeX装置で得られたM0-T9小星の低分解能(R $\sim$ 120)近赤外スペクトルに対するスペクトル型分類へのMLの適用について検討した。
具体的には,後期型小星の重力依存サブクラスと金属依存サブクラスを分類することを目的としている。
本研究では,ランダムフォレスト(RF),サポートベクトルマシン(SVM),K-Nearest Neighbor(KNN)モデルを用いて構築したスペクトル型推定器の有効性を比較した。
我々は, 異なる正規化の影響を検証し, 表面重力および金属質サブクラス分類におけるスペクトル領域の相対的重要性を分析した。
我々の最高の性能モデル(KNN)は、95.5$\pm$ 0.6%のソースを$\pm$1 SpTに分類し、89.5$\pm$ 0.9%の精度で表面重力と金属質のサブクラスを割り当てる。
SNR$\gtrsim$ 60, $\gtrsim$95%の精度で信号対雑音比の分類精度依存性を検証した。
また、RFモデルでは、FeHとTiOが最重要であり、zyバンドが最も顕著な役割を担っていることも判明した。
関連論文リスト
- SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。
畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。
2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
論文 参考訳（メタデータ） (2025-08-02T14:40:50Z) - Atmospheric model-trained machine learning selection and classification of ultracool TY dwarfs [0.0]
TとYのスペクトルクラスは、ブラウンドローフの最も低温で低質量の集団を表す。
既存の検出フレームワークは、しばしばM、L、および初期のT小星の同定に制約される。
本稿では,後期T型,後期Y型,後期Y型を検出・分類できる新しい機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-01T17:06:16Z) - Detecting and Classifying Flares in High-Resolution Solar Spectra with Supervised Machine Learning [0.0]
本稿では,太陽フレアを教師あり機械学習の助けを借りて分類する標準化手法を提案する。
RHESSIミッションのフレアデータと、HARPS-N機器の太陽光スペクトルを用いて、いくつかの教師付き機械学習モデルを訓練した。
最も訓練されたモデルでは、平均集計精度スコアが0.65であり、非フレアクラスと弱フレアクラスではカテゴリ精度スコアが0.70以上である。
論文 参考訳（メタデータ） (2024-06-21T18:52:03Z) - Machine Learning for Exoplanet Detection in High-Contrast Spectroscopy: Revealing Exoplanets by Leveraging Hidden Molecular Signatures in Cross-Correlated Spectra with Convolutional Neural Networks [0.0]
分光の相互相関は、惑星のスペクトルを主星から分離するために分子テンプレートを用いる。
我々は、相互相関分光(MLCCS)のための機械学習を導入する。
この手法は、大気中の特定の分子の存在など、外惑星の特徴付けに関する弱い仮定を活用し、外惑星の検出感度を向上させることを目的としている。
論文 参考訳（メタデータ） (2024-05-22T09:25:58Z) - Searching for Novel Chemistry in Exoplanetary Atmospheres using Machine
Learning for Anomaly Detection [1.8434042562191815]
我々は、異常検出のための機械学習(ML)技術の太陽系外惑星トランジットスペクトルへの応用を提唱する。
合成スペクトルの大規模公開データベース上での2つの一般的な異常検出手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-08-15T07:19:54Z) - Machine learning methods for the search for L&T brown dwarfs in the data
of modern sky surveys [67.17190225886465]
ブラウン・ドワーフ(BD)は、銀河の全ての天体の25%を占めるべきである。
その弱さのため、ブラウン・ドワーフのスペクトル研究は比較的困難である。
多くの試みが、その色を決定規則として使用して茶色の小星を探索し、生成する試みがなされている。
論文 参考訳（メタデータ） (2023-08-06T08:14:35Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Investigation of stellar magnetic activity using variational autoencoder
based on low-resolution spectroscopic survey [0.25782420501870296]
LAMOST-K2低分解能スペクトルに可変オートエンコーダ(VAE)を適用して、K2場の恒星の磁気活性を検出する。
色圏活性指数H$alpha$およびCa$rm small II$ infrared triplet (IRT) の放射能を測定した。
冷たい活動星に対しては、2つの分解能を持つスペクトルから導かれるH$alpha$ラインの等価幅(EWs)のよい一致を明らかにする。
論文 参考訳（メタデータ） (2022-06-15T02:41:00Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z)
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。