CLOVER: Convnet Line-fitting Of Velocities in Emission-line Regions
Notice bibliographique
Résumé
When multiple star-forming gas structures overlap along the line of sight and emit optically thin emission at significantly different radial velocities, the emission can become non-Gaussian and often exhibits two distinct peaks. Traditional line-fitting techniques can fail to account adequately for these double-peaked profiles, providing inaccurate measurements of cloud kinematics. We present a new method, called Convnet Line-fitting Of Velocities in Emission-line Regions (CLOVER), for distinguishing between one-component, two-component, and noise-only emission lines using 1D convolutional neural networks trained with synthetic spectral cubes. CLOVER utilizes spatial information in spectral cubes by predicting on 3 × 3 pixel subcubes, using both the central pixel's spectrum and the average spectrum over the 3 × 3 grid as input. On an unseen set of 10,000 synthetic spectral cubes in each predicted class, CLOVER has classification accuracies of ∼99% for the one-component class and ∼97% for the two-component class. For the noise-only class, which is analogous to a signal-to-noise cutoff of four for traditional line-fitting methods, CLOVER has classification accuracy of 100%. CLOVER also has exceptional performance on real observations, correctly distinguishing between the three classes across a variety of star-forming regions. In addition, CLOVER quickly and accurately extracts kinematics directly from spectra identified as two-component class members. Moreover, we show that CLOVER is easily scalable to emission lines with hyperfine splitting, making it an attractive tool in the new era of large-scale NH 3 and N 2 H + mapping surveys.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».