Predicting metallicities and carbon abundances from <i>Gaia</i> XP spectra for (carbon-enhanced) metal-poor stars
Notice bibliographique
Résumé
ABSTRACT Carbon-rich (C-rich) stars can be found at all metallicities and evolutionary stages. They are often the result of mass transfer from a companion, but some of the most metal-poor C-rich objects are likely carrying the imprint of the metal-free First Stars from birth. In this work, we employ a neural network to predict metallicities and carbon abundances for over 10 million stars with Gaia low-resolution XP spectra, down to $\rm {[Fe/H]} = -3.0$ and up to $\rm {[C/Fe]} \approx +2$. We identify ${\sim} 2000$ high-confidence bright ($G\lt 16$) carbon-enhanced metal-poor stars with $\rm {[Fe/H]} \lt -2.0$ and $\rm {[C/Fe]} \gt +0.7$. The majority of our C-rich candidates have $\rm {[Fe/H]} \gt -2.0$ and are expected to be binary mass-transfer products, supported by high barium abundances in the GALAH (GALactic Archaeology with HERMES) survey and/or their Gaia Renormalised Unit Weight Error (RUWE) and radial velocity variations. We confirm previous findings of an increase in C-rich stars with decreasing metallicity, adopting a definition of $3\sigma$ outliers from the [C/Fe] distribution, although our frequency appears to flatten for $-3.0 \lt \rm {[Fe/H]} \lt -2.0$ at a level of $6\!\!-\!\!7{{\ \rm per\, cent}}$. We also find that the fraction of C-rich stars is low among globular cluster stars (connected to their lower binary fraction), and that it decreases for field stars more tightly bound to the Milky Way. We interpret these last results as evidence that disrupted globular clusters contribute more in the inner Galaxy, supporting previous work. Homogeneous samples such as these are key to understanding the full population properties of C-rich stars, and this is just the beginning.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».