مقاله احتمالات شناسایی اعضا از کهکشان های ماهواره ای شیری با استفاده از الگوریتم های یادگیری ماشین بدون نظارت

چکیده

A detailed study of stellar populations in Milky Way (MW) satellite galaxies remains an observational challenge due to their faintness and fewer spectroscopically confirmed member stars. We use unsupervised machine learning methods to identify new members for nine nearby MW satellite galaxies using Gaia data release-3 (Gaia DR3) astrometry and the Dark Energy Survey (DES) and the DECam Local Volume Exploration Survey (DELVE) photometry. Two density-based clustering algorithms, DBSCAN and HDBSCAN, have been used in the four-dimensional astrometric parameter space to identify member stars belonging to MW satellite galaxies. Our results indicate that we can recover more than 80% of the known spectroscopically confirmed members in most of the satellite galaxies and also reject 95-100% of spectroscopic non-members. We have also added many new members using this method. We compare our results with previous studies that also use photometric and astrometric data and discuss the suitability of density-based clustering methods for MW satellite galaxies

چکیده به فارسی (ترجمه ماشینی)

یک مطالعه دقیق از جمعیت ستاره ای در کهکشان های ماهواره ای شیری (MW) به دلیل ضعف آنها و ستاره های عضو عضویت در طیف سنجی کمتر ، یک چالش مشاهده ای است.ما از روشهای یادگیری ماشین بدون نظارت برای شناسایی اعضای جدید برای نه کهکشان ماهواره ای MW در نزدیکی با استفاده از Astrometry Data Gaia-3 (Gaia DR3) و بررسی انرژی تاریک (DES) و فتومتری بررسی حجم محلی Decam (DELVE) استفاده می کنیم.دو الگوریتم خوشه بندی مبتنی بر چگالی ، DBSCAN و HDBSCAN ، در فضای پارامتر چهار بعدی برای شناسایی ستاره های عضو متعلق به کهکشانهای ماهواره ای MW استفاده شده است.نتایج ما نشان می دهد که ما می توانیم بیش از 80 ٪ از اعضای شناخته شده طیف سنجی را در اکثر کهکشانهای ماهواره ای تأیید کنیم و همچنین 95-100 ٪ از افراد غیر عضو طیف سنجی را رد کنیم.ما همچنین بسیاری از اعضای جدید را با استفاده از این روش اضافه کرده ایم.ما نتایج خود را با مطالعات قبلی مقایسه می کنیم که از داده های فوتومتریک و اخترشناسی نیز استفاده می کنند و در مورد مناسب بودن روش های خوشه بندی مبتنی بر چگالی برای کهکشانهای ماهواره ای MW بحث می کنیم