Neural posterior estimation for white dwarf spectroscopic characterization
Notice bibliographique
Résumé
ABSTRACT White dwarf spectroscopic characterization is entering a big data era, with the number of spectroscopically characterized white dwarfs expected to grow from $\sim$100 000 to over 300 000 in upcoming years. Traditional methods like least-squares fitting and Markov chain Monte Carlo have become computationally prohibitive for large-scale analysis, requiring minutes to days per star. Furthermore, these methods impose fundamental limitations on model complexity by requiring explicit likelihood functions, typically restricting them to Gaussian assumptions. We present neural posterior estimation (NPE), a simulation-based inference technique that directly approximates posterior distributions through neural networks trained on simulated spectra. Our approach provides accurate parameter inference in milliseconds per star after upfront training costs, enabling statistical tests of the procedure’s reliability. We demonstrate NPE’s effectiveness on hydrogen-, helium-, and carbon-atmosphere white dwarfs, validating its calibration with simulation-based calibration and tests of accuracy with random points. Application to SDSS data shows excellent agreement with previous studies, recovering parameters from previous work within 6.8 per cent for effective temperature and 2.1 per cent for surface gravity, on average. We also apply our technique on WD 1153+012, a hot DQ star with a carbon–oxygen–hydrogen atmosphere, using high-resolution spectroscopy. This methodology combines computational efficiency with the flexibility to model complex atmospheres, making it ideal for upcoming surveys. Our approach also integrates spectroscopic and photometric constraints through an iterative procedure, providing comprehensive characterization of white dwarfs.
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) | 0,000 | 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 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 ».