ترجمه فارسی مقاله در جستجوی ساختارهای شیمیایی سینماتیک در هاله راه شیری با الگوریتم های خوشه بندی عمیق

چکیده

According to the lambda CDM scenario, galaxies are formed through the hierarchical accretion of building blocks. Our Galaxy is a privileged place to look for the remnants of accretion events through the study of the chemical and kinematic properties of its halo stellar populations. Due to its low density, the stellar halo holds the most favorable conditions for chemical tagging. However, chemical tagging alone often yields weak results due to both uncertainties in chemical abundances and to overlapping chemical properties among different populations. To overcome this problem, the use of chemical and kinematic properties can be combined. In this Thesis, we developed a machine learning algorithm, named the CREEK, which combines orbital and chemical properties of halo stars observed by two large public spectroscopic surveys, Gaia-ESO and APOGEE. The CREEK operates as follows: 1)Data selection: We selected halo stars from the APOGEE and Gaia-ESO surveys based both on their velocity and metallicity and we computed their orbital parameters. 2)Using kinematics: The selected data were passed to a Siamese Neural Network that established links between stars based on their kinematic similarities. 3)Using chemistry: The graph was passed through a Graph Neural Network (GNN) auto-encoder that took as input the selected abundances. The abundances were chosen to maximize homogeneity within stars from the same cluster while ensuring distinctiveness between stars from different clusters. Additionally, we prioritised elements with smallest errors. The GNN auto-encoder computed a mean of the abundances of all connected stars, weighted on the number of links of each star and mapped the chemical space into a more efficient representation in the latent space. 4)Recovering structures: Finally, OPTICS was applied to the latent space, providing groups based on the chemical similarities of the stars.

چکیده به فارسی (ترجمه ماشینی)

با توجه به سناریوی CDM Lambda ، کهکشان ها از طریق جمع سلسله مراتبی بلوک های ساختمان تشکیل می شوند.کهکشان ما مکانی ممتاز برای جستجوی بقایای حوادث تجمع از طریق مطالعه خواص شیمیایی و سینماتیک جمعیت هاله ستاره ای آن است.با توجه به چگالی کم آن ، هاله ستاره ای مطلوب ترین شرایط را برای برچسب زدن شیمیایی در اختیار دارد.با این حال ، برچسب زدن شیمیایی به تنهایی اغلب به دلیل عدم قطعیت در فراوانی شیمیایی و همپوشانی خواص شیمیایی در بین جمعیت های مختلف ، نتایج ضعیفی به همراه دارد.برای غلبه بر این مشکل ، استفاده از خصوصیات شیمیایی و سینماتیک می تواند ترکیب شود.در این پایان نامه ، ما یک الگوریتم یادگیری ماشین به نام Creek ایجاد کردیم که ترکیبی از خواص مداری و شیمیایی ستاره های هاله مشاهده شده توسط دو نظرسنجی بزرگ طیف سنجی عمومی ، Gaia-Eeso و Apogee است.نهر به شرح زیر عمل می کند: 1) انتخاب داده ها: ما ستاره های هاله را از نظرسنجی های Apogee و Gaia-eso بر اساس سرعت و فلزی آنها انتخاب کردیم و پارامترهای مداری آنها را محاسبه کردیم.2) با استفاده از سینماتیک: داده های انتخاب شده به یک شبکه عصبی سیامی منتقل شدند که بر اساس شباهت های سینماتیک آنها پیوندهایی بین ستاره ها ایجاد می کرد.3) استفاده از شیمی: نمودار از طریق یک رمزعبور خودکار شبکه عصبی (GNN) که به عنوان ورودی فراوانی انتخاب شده را در نظر گرفته بود ، منتقل شد.فراوانی برای به حداکثر رساندن همگن در ستاره ها از همان خوشه انتخاب شد و در عین حال از تمایز بین ستارگان از خوشه های مختلف اطمینان حاصل کرد.علاوه بر این ، ما عناصر را با کوچکترین خطاها در اولویت قرار دادیم.رمزگذار خودکار GNN میانگین فراوانی همه ستاره های متصل را محاسبه کرد ، که بر تعداد پیوندهای هر ستاره وزن داشت و فضای شیمیایی را به نمایشی کارآمدتر در فضای نهفته ترسیم کرد.4) ساختارهای بازیابی: سرانجام ، اپتیک به فضای نهفته اعمال شد و گروه هایی را بر اساس شباهت های شیمیایی ستاره ها فراهم می کرد.