MétaCan
Menu
Retour à la cohorte
Enregistrement W2899985577 · doi:10.1051/0004-6361/201833368

J-PLUS: Identification of low-metallicity stars with artificial neural networks using SPHINX

2018· article· en· W2899985577 sur OpenAlexfundno aff
Devin D. Whitten, Vinicius M. Placco, Timothy C. Beers, Ana L. Chies-Santos, C. Bonatto, J. Varela, D. Cristòbal-Hornillos, A. Ederoclite, T. Masseron, Young Sun Lee, S. Akras, M. Borges Fernandes, J. A. Caballero, A. J. Cenarro, P. Coelho, M. V. Costa-Duarte, S. Daflon, Renato A. Dupke, R. Lopes de Oliveira, C. López-Sanjuán, A. Marín-Franch, C. Mendes de Oliveira, M. Moles, Álvaro Orsi, Silvia Rossi, L. Sodré, H. Vázquez Ramió

Notice bibliographique

RevueAstronomy and Astrophysics · 2018
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueStellar, planetary, and galactic studies
Établissements canadiensnon disponible
Organismes subventionnairesSmithsonian Astrophysical ObservatoryUniversity of Colorado BoulderInstituto de Astrofísica de CanariasOffice of ScienceMax-Planck-Institut für AstronomieMax-Planck-Institut für AstrophysikUniversidad Nacional Autónoma de MéxicoLawrence Berkeley National LaboratoryMinistry of Science and ICT, South KoreaFinanciadora de Estudos e ProjetosNational Research Foundation of KoreaConselho Nacional de Desenvolvimento Científico e TecnológicoMinisterio de Economía y CompetitividadMinistério da Ciência, Tecnologia e InovaçãoCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorFundação de Amparo à Pesquisa do Estado de São PauloUniversity of OxfordYork UniversityJiangsu Association for Science and TechnologyCarnegie Institution for ScienceLeibniz-GemeinschaftUniversity of Notre DameOhio State UniversityNational Research FoundationEuropean Regional Development FundCarnegie Mellon UniversityAlfred P. Sloan FoundationUniversity of WashingtonJohns Hopkins UniversityUniversity of UtahCarnegie Institution of WashingtonNational Science FoundationU.S. Department of EnergySmithsonian InstitutionNew Mexico State UniversityUniversity of PortsmouthVanderbilt UniversityYale University
Mots-clésMetallicityPhysicsAstrophysicsStarsPhotometry (optics)Globular clusterEffective temperatureAstronomy

Résumé

récupéré en direct d'OpenAlex

Context.We present a new methodology for the estimation of stellar atmospheric parameters from narrow- and intermediate-band photometry of the Javalambre Photometric Local Universe Survey (J-PLUS), and propose a method for target pre-selection of low-metallicity stars for follow-up spectroscopic studies. Photometric metallicity estimates for stars in the globular cluster M15 are determined using this method. Aims.By development of a neural-network-based photometry pipeline, we aim to produce estimates of effective temperature,Teff, and metallicity, [Fe/H], for a large subset of stars in the J-PLUS footprint. Methods.The Stellar Photometric Index Network Explorer, SPHINX, was developed to produce estimates ofTeffand [Fe/H], after training on a combination of J-PLUS photometric inputs and synthetic magnitudes computed for medium-resolution (R~ 2000) spectra of the Sloan Digital Sky Survey. This methodology was applied to J-PLUS photometry of the globular cluster M15. Results.Effective temperature estimates made with J-PLUS Early Data Release photometry exhibit low scatter, σ(Teff) = 91 K, over the temperature range 4500 <Teff(K) < 8500. For stars from the J-PLUS First Data Release with 4500 <Teff(K) < 6200, 85 ± 3% of stars known to have [Fe/H] < −2.0 are recovered by SPHINX. A mean metallicity of [Fe/H] = − 2.32 ± 0.01, with a residual spread of 0.3 dex, is determined for M15 using J-PLUS photometry of 664 likely cluster members. Conclusions.We confirm the performance of SPHINX within the ranges specified, and verify its utility as a stand-alone tool for photometric estimation of effective temperature and metallicity, and for pre-selection of metal-poor spectroscopic targets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,219
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations61
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAstronomy and AstrophysicsMême sujetStellar, planetary, and galactic studiesTravaux en français237 207