A machine learning approach to galactic emission-line region classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Diagnostic diagrams of emission-line ratios have been used extensively to categorize extragalactic emission regions; however, these diagnostics are occasionally at odds with each other due to differing definitions. In this work, we study the applicability of supervised machine-learning techniques to systematically classify emission-line regions from the ratios of certain emission lines. Using the Million Mexican Model database, which contains information from grids of photoionization models using cloudy, and from shock models, we develop training and test sets of emission line fluxes for three key diagnostic ratios. The sets are created for three classifications: classic H ii regions, planetary nebulae, and supernova remnants. We train a neural network to classify a region as one of the three classes defined above given three key line ratios that are present both in the SITELLE and MUSE instruments’ band-passes: [O iii]λ5007/H β, [N ii]λ6583/H α, ([S ii]λ6717+[S ii]λ6731)/H α. We also tested the impact of the addition of the [O ii]λ3726, 3729/[O iii]λ5007 line ratio when available for the classification. A maximum luminosity limit is introduced to improve the classification of the planetary nebulae. Furthermore, the network is applied to SITELLE observations of a prominent field of M33. We discuss where the network succeeds and why it fails in certain cases. Our results provide a framework for the use of machine learning as a tool for the classification of extragalactic emission regions. Further work is needed to build more comprehensive training sets and adapt the method to additional observational constraints.
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.
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 | 0,000 |
| 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 découle