ترجمه فارسی مقاله استنباط پارامترهای ستاره ای و عدم قطعیت آنها از طیف سنجی با وضوح بالا با استفاده از شبکه های عصبی معکوس

چکیده

Context: New spectroscopic surveys will increase the number of astronomical objects requiring characterization by over tenfold.. Machine learning tools are required to address this data deluge in a fast and accurate fashion. Most machine learning algorithms can not estimate error directly, making them unsuitable for reliable science. Aims: We aim to train a supervised deep-learning algorithm tailored for high-resolution observational stellar spectra. This algorithm accurately infer precise estimates while providing coherent estimates of uncertainties by leveraging information from both the neural network and the spectra. Methods: We train a conditional Invertible Neural Network (cINN) on observational spectroscopic data obtained from the GIRAFFE spectrograph (HR10 and HR21 setups) within the Gaia-ESO survey. A key features of cINN is its ability to produce the Bayesian posterior distribution of parameters for each spectrum. By analyzing this distribution, we inferred parameters and their uncertainties. Several tests have been applied to study how parameters and errors are estimated. Results: We achieved an accuracy of 28K in $T_{\text{eff}}$, 0.06 dex in $\log g$, 0.03 dex in $[\text{Fe/H}]$, and between 0.05 dex and 0.17 dex for the other abundances for high quality spectra. Accuracy remains stable with low signal-to-noise ratio spectra. The uncertainties obtained are well within the same order of magnitude. The network accurately reproduces astrophysical relationships both on the scale of the Milky Way and within smaller star clusters. We created a table containing the new parameters generated by our cINN. Conclusion: This neural network represents a compelling proposition for future astronomical surveys. These coherent derived uncertainties make it possible to reuse these estimates in other works as Bayesian priors and thus present a solid basis for future work.

چکیده به فارسی (ترجمه ماشینی)

زمینه: نظرسنجی های طیف سنجی جدید باعث افزایش تعداد اشیاء نجومی می شود که نیاز به توصیف بیش از ده برابر دارند .. ابزارهای یادگیری ماشین برای پرداختن به این داده ها به روشی سریع و دقیق مورد نیاز هستند.بیشتر الگوریتم های یادگیری ماشین نمی توانند به طور مستقیم خطا را تخمین بزنند ، و آنها را برای علم قابل اعتماد نامناسب می کند.اهداف: ما هدف ما آموزش یک الگوریتم یادگیری عمیق است که متناسب با طیف های ستاره ای با وضوح بالا است.این الگوریتم به طور دقیق تخمین های دقیق را در حالی که تخمین های منسجم از عدم قطعیت ها را با استفاده از اطلاعات از شبکه عصبی و طیف ارائه می دهد ، استنباط می کند.مواد و روش ها: ما یک شبکه عصبی غیرقابل تحمل مشروط (CINN) را بر روی داده های طیف سنجی مشاهده ای به دست آمده از طیف سنجی زرافه (تنظیمات HR10 و HR21) در بررسی Gaia-Eeso آموزش می دهیم.ویژگی های اصلی Cinn توانایی آن در تولید توزیع خلفی بیزی پارامترها برای هر طیف است.با تجزیه و تحلیل این توزیع ، پارامترها و عدم قطعیت آنها را استنباط کردیم.چندین آزمایش برای مطالعه چگونگی تخمین پارامترها و خطاها به کار رفته است.یافته ها: ما به دقت 28K در $ t _ {\ text {eff}} $ ، 0.06 dex در $ \ log g $ ، 0.03 dex در $ [\ text {fe/h}] $ و بین 0.05 DEX و 0.17 دست یافتیم.DEX برای سایر موارد برای طیفهای با کیفیت بالا.دقت با طیف نسبت سیگنال به نویز پایدار است.عدم قطعیت های به دست آمده به همان ترتیب از بزرگی است.این شبکه به طور دقیق روابط اخترفیزیکی را هم در مقیاس راه شیری و هم در خوشه های ستاره کوچکتر تولید می کند.ما یک جدول ایجاد کردیم که حاوی پارامترهای جدید تولید شده توسط Cinn ما است.نتیجه گیری: این شبکه عصبی یک گزاره قانع کننده برای نظرسنجی های نجومی آینده را نشان می دهد.این عدم قطعیت های مشتق شده منسجم امکان استفاده مجدد از این تخمین ها را در سایر آثار به عنوان مقدمات بیزی امکان پذیر می کند و در نتیجه مبنای محکمی برای کارهای آینده ارائه می دهد.