NutMaat: A Python package for stellar spectral classification on the MK system
Notice bibliographique
Résumé
Stellar spectral classification according to the Morgan-Keenan (MK) system remains fundamental to astrophysical studies, yet modern surveys require automated, scalable tools. We present NutMaat, an open-source Python-based package inspired by MKCLASS, designed to automate MK classification while addressing scalability and usability limitations. It employs modern computational tools for batch processing and offers a modular architecture that enables efficient, platform-independent analysis of large spectral datasets. It also includes modules for detecting classical chemically peculiar stars, such as Am, Ap, and $λ$ Boo types, using internal consistency checks between different line diagnostics. Tested on the CFLIB and MILES libraries, NutMaat achieved spectral and luminosity classification accuracies comparable to MKCLASS, with minimal systematic offsets and a robust performance down to S/N $\le$ 10. NutMaat successfully identified chemically peculiar stars, tested on LAMOST DR7 ACV variables, and processed the SDSS-IV MaStar library -- which lacks native MK classifications -- to produce a stellar catalog, demonstrating survey readiness. Future development of NutMaat will focus on extending wavelength coverage beyond the 3800--5600 $Å$ range, computational acceleration via Cython, and refining peculiarity classification. Beyond its technical design, NutMaat can provide consistent, MK-standard classification across large-scale spectroscopic surveys, facilitating reliable stellar population analyses, identification of rare objects, and the construction of high-quality spectral catalogs essential for galactic archaeology and stellar evolution studies. As an open-source tool, NutMaat bridges traditional MK methods with modern data workflows, offering a scalable solution for current and future spectroscopic 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 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,052 | 0,050 |
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 ».