Climbing the Cliffs: Classifying Young Stellar Objects in the Cosmic Cliffs JWST Data Using a Probabilistic Random Forest
Notice bibliographique
Résumé
Abstract Among the first observations released to the public from the JWST was a section of the star-forming region NGC 3324 known colloquially as the “Cosmic Cliffs.” We build a photometric catalog of the region and test the ability of using the probabilistic random forest machine-learning method to identify its young stellar objects (YSOs). We find 450 candidate YSOs (cYSOs) out of 19,497 total objects within the field, 413 of which are cYSOs not found in previous works. These classifications are verified with several different metrics, including recall and precision. Using the obtained probabilities of objects being YSOs, we employ a Monte Carlo approach to determine the surface density of cYSOs in the Cosmic Cliffs, which we find to be largely coincident with column densities derived from Herschel data, up to a column density of 1.37 × 1022 cm−2. The newly determined number and spatial distribution of YSOs in the Cosmic Cliffs demonstrate that JWST is far more capable of detecting YSOs in dusty regions than Spitzer. Comparisons of the observed colors and brightness of faint cYSOs with those of pre-main-sequence models suggest JWST has detected a significant population of substellar YSOs in the Cosmic Cliffs. The size of this population further suggests previous estimates of star formation efficiencies in molecular clouds have been systematically low.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».