条件正则流的新应用:用陀螺年代学推测恒星年龄
使用规范流算法,从有噪音的视差和光度学测量中学习灵活的色-星等图,该算法是一种能够学习任意多维概率分布的深度神经网络。应用该算法,我们得到了 6.4 亿个近邻恒星的光度距离后验分布的目录,可应用于改善银河系盘层分离和亚结构检测。
Aug, 2019
介绍一种在不确定性情况下进行斑点检测的方法,该方法可应用于恒星群体模拟。该方法名为ULoG,其实际上是一种新颖的Laplacian-of-Gaussian方法,通过使用多种尺度来确定显著的斑点。同时介绍了用于计算模型预测的不确定性的一种新的有效计算方法基于截断奇异值分解和Markov Chain Monte Carlo采样(SVD-MCMC)
Aug, 2022
星体震荡、颗粒化、光曲线、机器学习和Astroconformer构成了这篇论文的主要研究内容。
Sep, 2023
用贝叶斯概率循环神经网络,我们首次提出了一种实时预测多波长时间序列观测中暂时物体年龄的方法。这项工作对我们理解正在进行和即将进行的天体巡天所探测到的大量年轻暂时物体的进展至关重要。
Nov, 2023
使用Spectral Transformer(SPT)模型,通过红巨星的光谱预测其年龄和质量,具有较高的精度和一致性,超越传统机器学习算法,并与天体测量和恒星等值线拟合技术表现出较高的相关性。
Jan, 2024
通过流基生成方法来模拟恒星演化模型,使用条件归一化流来学习和预测输入参数和输出属性之间的复杂关系,并且应用于红巨星的星震学数据,有效估计恒星参数并指出之前红巨星的质量估计存在一定偏差。
Jul, 2024
本研究针对星-行星系统演化曲线计算中的挑战,提出了一种通过机器学习加速生成演化曲线的方法。研究利用MESA建立的潮汐相互作用模型,并使用多层感知器(MLP)对15,745个星-行星系统进行预测,其预测的相对误差在可接受范围内,且生成速度大幅超过传统模型。该方法显著节省了计算资源与时间,为不同迁移状态下系统的演化特征分析奠定基础,可能替代理论模型的计算。
Aug, 2024
本研究解决了传统方法在处理NASA开普勒任务光曲线数据时,因噪声和变异性导致无法准确估算恒星旋转周期的问题。通过结合多种机器学习算法,特别是投票集成方法,研究表明该方法的预测准确性显著提高,RMSE比决策树模型降低约50%,为系外行星与恒星物理学的研究提供了新思路和重要影响。
Sep, 2024
本研究解决了通过锂当量宽度估算恒星年龄的挑战,提出了一种人工神经网络模型,用于改善在特定温度范围内的锂耗减现象建模。研究发现,新模型在估算较年轻恒星(50 Myr)时表现出更好的准确性,同时讨论了进一步扩展模型以纳入更多天体物理参数的潜力。
Sep, 2024