Artificial neural network based calibrations for the prediction of galactic [N ii] λ6584 and Hα line luminosities
Notice bibliographique
Résumé
The artificial neural network (ANN) is a well-established mathematical technique for data prediction, based on the identification of correlations and pattern recognition in input training sets. We present the application of ANNs to predict the emission line luminosities of Hα and [N ii] λ6584 in galaxies. These important spectral diagnostics are used for metallicities, active galactic nuclei (AGN) classification and star formation rates, yet are shifted into the infrared for galaxies above z ∼ 0.5, or may not be covered in spectra with limited wavelength coverage. The ANN is trained with a large sample of emission line galaxies selected from the Sloan Digital Sky Survey (SDSS) using various combinations of emission lines and stellar mass. The ANN is tested for galaxies dominated by both star formation and AGN; in both cases the Hα and [N ii] λ6584 line luminosities can be predicted with a scatter σ < 0.1 dex. We also show that the performance of the ANN does not depend significantly on the covering fraction, mass or metallicity of the data. Polynomial functions are derived that allow easy application of the ANN predictions to determine Hα and [N ii] λ6584 line luminosities. An ANN calibration for the Balmer decrement (Hα/Hβ) based on line equivalent widths and colours is also presented. The effectiveness of the ANN calibration is demonstrated with an independent data set (the Galaxy Mass and Assembly Survey). We demonstrate the application of our line luminosities to the determination of gas-phase metallicities and AGN classification. The ANN technique yields a significant improvement in the measurement of metallicities that require [N ii] and Hα when compared with the function-based conversions of Kewley & Ellison. The AGN classification is successful for 86 per cent of SDSS galaxies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».