ترجمه فارسی مقاله طبقه بندی باینری نجومی از طریق شبکه های عصبی مصنوعی

چکیده

With nearly two billion stars observed and their corresponding astrometric parameters evaluated in the recent Gaia mission, the number of astrometric binary candidates have risen significantly. Due to the surplus of astrometric data, the current computational methods employed to inspect these astrometric binary candidates are both computationally expensive and cannot be executed in a reasonable time frame. In light of this, a machine learning (ML) technique to automatically classify whether a set of stars belong to an astrometric binary pair via an artificial neural network (ANN) is proposed. Using data from Gaia DR3, the ANN was trained and tested on 1.5 million highly probable true and visual binaries, considering the proper motions, parallaxes, and angular and physical separations as features. The ANN achieves high classification scores, with an accuracy of 99.3%, a precision rate of 0.988, a recall rate of 0.991, and an AUC of 0.999, indicating that the utilized ML technique is a highly effective method for classifying astrometric binaries. Thus, the proposed ANN is a promising alternative to the existing methods for the classification of astrometric binaries.

چکیده به فارسی (ترجمه ماشینی)

با نزدیک شدن به دو میلیارد ستاره مشاهده شده و پارامترهای اخترشناسی مربوطه آنها در مأموریت اخیر GAIA ارزیابی شده است ، تعداد نامزدهای باینری نجوم به میزان قابل توجهی افزایش یافته است.با توجه به مازاد داده های اخترشناس ، روشهای محاسباتی فعلی که برای بازرسی از این کاندیداهای باینری اخترشناسی استفاده می شود ، هر دو از نظر محاسباتی گران هستند و نمی توانند در یک بازه زمانی معقول اجرا شوند.با توجه به این ، یک تکنیک یادگیری ماشین (ML) برای طبقه بندی خودکار اینکه آیا مجموعه ای از ستارگان متعلق به یک جفت باینری نجوم از طریق یک شبکه عصبی مصنوعی (ANN) هستند.با استفاده از داده های GAIA DR3 ، ANN با توجه به حرکات مناسب ، اختلاف منظر و جداسازی های زاویه ای و فیزیکی به عنوان ویژگی ها ، روی 1.5 میلیون باینری واقعی و بینایی بسیار محتمل آموزش داده و مورد آزمایش قرار گرفت.ANN به نمرات طبقه بندی بالا ، با دقت 99.3 ٪ ، میزان دقت 0.988 ، میزان فراخوان 0.991 و AUC 0.999 دست می یابد ، نشان می دهد که تکنیک ML استفاده شده روشی بسیار مؤثر برای طبقه بندی باینری های نجوم است.بنابراین ، ANN پیشنهادی یک جایگزین امیدوار کننده برای روشهای موجود برای طبقه بندی باینری های نجوم است.