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 cloud kinematics measurements. 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 $3\times3$ pixel sub-cubes, using both the central pixel's spectrum and the average spectrum over the $3\times3$ grid as input. On an unseen set of 10,000 synthetic spectral cubes in each predicted class, CLOVER has classification accuracies of $\sim99\%$ for the one-component class and $\sim97\%$ 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».