Misija Gaia in njeno načrtovano nadaljevanje Gaia-NIR zagotavljata natančne podatke za več kot milijardo galaktičnih in zunajgalaktičnih zvezd. Podatki nam med drugim podajajo astrometrične lastnosti zvezd, ki jih sestavljajo prostorski položaj in dve komponenti hitrosti, pravokotni na smer med zemljo in zvezdo. Tretjo komponento hitrosti, radialno hitrost (RV), lahko izmerimo s spektroskopskimi meritvami. Zvezde, ki se pomikajo proti zemlji, bodo zaradi Dopplerjevega premika frekvence svetlobe namreč obarvane bolj modro, spekter ostalih pa bo premaknjen bolj proti rdeči barvi. Velikost premika v barvi zvezde nam torej pove njeno radialno hitrost, vendar pa spektroskopske meritve manjkajo za veliko večino zvezd, ker je svetloba prešibka za spektrograf RVS (radial velocity spectrometer) na krovu satelita Gaia, pri opazovanju s tal pa je mogoče opazovati le omejeno število zvezd.
Uporaba umetne inteligence za sklepanje o radialnih hitrostih zvezd
Študija predlaga napovedovanje radialnih hitrosti zvezd s pomočjo uporabo tehnik umetne inteligence (AI) in tretjega objavljenega seta podatkov misije Gaia, Gaia data release 3 (Gaia DR3). Preverili smo, ali fotometrične lastnosti virov, kot so svetlost, barva in kovinskost zvezd, ocena o ekstinkciji svetlobe, ki prihaja iz različnih delov galaksije, ter fizikalne klasifikacijske oznake, pripomorejo k večji natančnosti napovedovanja radialnih hitrosti zvezd.
Napovedovanje RV z uporabo izključno astrometričnih podatkov na istem podatkovnem setu je bil nedavno že preizkušen, zato smo rezultate te študije obravnavali kot referenčno točko našega projekta.
Rezultati
Naš podatkovni set je vseboval samo zvezde iz naše galaksije, Rimske ceste. Izmed teh radialne hitrosti 33.5M zvezd, za 117M zvezd pa te meritve nimamo. Preizkusili smo več pristopov k modeliranju: nevronske mreže, bayesove nevronske mreže, ansambel odločitvenih dreves (ang. gradient boosted decision trees) ter lokaliziran ansambel odločitvenih dreves, kjer smo galaksijo razdelili v več razdelkov in v vsakem razdelku naučili poseben ansambel. Ker nam bayesove nevronske mreže poleg napovedi radialne hitrosti ponujajo tudi negotovosti v napovedih, ki so v modeliranju fizikalnih sistemov vedno zaželene, smo se odločili za uporabo tega modela. Na naključno izbranem delu podatkovnega seta s podanimi RV, je ta model v kombinaciji z astrometričnimi podatki dosegel povprečno napako 28.1km/s, z dodatkom ostalih izmerjenih količin pa se je natančnost le rahlo izboljšala na 28km/s. Oba rezultata predstavljata izboljšavo v primerjavi z referenčno študijo, ki je dosegla natančnost 29km/s.
Dodatek novih opazljivk torej ni občutno prispeval k večji natančnosti napovedi radialnih hitrosti zvezd, so pa zato pomemben rezultat projekta napovedi radialnih hitrosti za 117M zvezd z neznanimi hitrostmi znotraj Rimske ceste, ki jih bodo raziskovalci lahko uporabljali za označevanje hitrih objektov znotraj naše galaksije.
Partnerji
- Univerza v Ljubljani, Fakulteta za matematiko in fiziko
- Evropska vesoljska agencija (ESA)