A closer look at the origin of LINER emission and its connection to evolved stars with a machine learning classification scheme
Notice bibliographique
Résumé
Identifying the dominant ionizing sources in galaxies is essential for understanding their formation and evolution. Traditionally, spectra are classified based on their dominant ionizing source using strong emission lines and Baldwin, Phillips, \& Terlevich (BPT) diagrams. The ionizing source is traditionally determined by the emission line ratios using the BPT diagrams. Low-Ionization Nuclear Emission-line Regions (LINERs) are a class of ionizing mechanisms that is observationally identified but with a poorly understood origin, unlike the case of star forming regions and active galactic nuclei (AGN). LINERs, typically found in early-type galaxies, are often associated with low-luminosity AGN activity but may also be powered by aging stellar populations, particularly post-Asymptotic Giant Branch (p-AGB) stars. In this study, we employ a machine-learning-based encoder, Spender, to analyze the full MaNGA IFU spectra and identify key spectral features of LINERs. By examining the continuum and line emission of these spaxels, our approach aims to uncover hidden patterns and better understand the dominant ionizing sources. We show in this work that the neural network-based encoder was able identify LINER sources from the stellar continuum alone. The characteristics of the stellar population underlying LINER regions are consistent with evolved low mass stars implying that the source driving LINER emission is probably p-AGB stars rather than AGN activity.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».