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

• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
  مشاهده نمونه نسخه نکات ساده
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
  مشاهده نمونه نسخه نکات رسمی
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
  مشاهده نمونه نسخه پرسش و پاسخ
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه یادگیری سریع
  — پاسخ‌ها بلافاصله بعد از سؤال برای مرور سریع
  مشاهده نمونه نسخه کوییز سریع
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه خودآزمایی
  — پاسخ‌ها در انتهای بخش‌ها برای سنجش واقعی یادگیری
  مشاهده نمونه نسخه آزمونی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

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)