Leveraging Deep Learning for Time Series Extrinsic Regression in predicting photometric metallicity of Fundamental-mode RR Lyrae Stars

要約

天文学は、天の川を三次元で地図化することを目的とした ESA のガイア望遠鏡のようなミッションによって推進され、前例のないビッグデータ科学の時代に突入しています。
Gaia の膨大なデータセットは、従来の分析手法にとって大きな課題となっています。
このデータの規模は人手による調査の能力を超えており、高度な計算技術の利用が必要です。
この課題に応えて、私たちはディープラーニングを活用して、基本モード (ab 型) RR こと座星の光度曲線からガイア光学 G バンドの金属性を推定する新しいアプローチを開発しました。
私たちの研究では、時系列データから測光金属量を予測する際に、深層学習技術、特に高度なニューラル ネットワーク アーキテクチャを適用することを検討しています。
当社の深層学習モデルは、平均絶対誤差 (MAE) が 0.0565 と低く、達成された二乗平均平方根誤差 (RMSE) が 0.0765 であり、交差検証によって測定された $R^2$ 回帰パフォーマンスが 0.9401 と高く、顕著な予測パフォーマンスを示しました。
加重平均絶対誤差 (wMAE) は 0.0563 ですが、加重二乗平均平方根誤差 (wRMSE) は 0.0763 です。
これらの結果は、金属量の値を正確に推定する際の私たちのアプローチの有効性を示しています。
私たちの研究は、天文学研究、特にガイアのようなミッションからの大規模なデータセットにおけるディープラーニングの重要性を強調しています。
ディープラーニング手法の力を活用することで、膨大なデータセットを正確に分析できるようになり、複雑な天文現象に対するより正確かつ包括的な洞察に貢献できます。

要約(オリジナル)

Astronomy is entering an unprecedented era of Big Data science, driven by missions like the ESA’s Gaia telescope, which aims to map the Milky Way in three dimensions. Gaia’s vast dataset presents a monumental challenge for traditional analysis methods. The sheer scale of this data exceeds the capabilities of manual exploration, necessitating the utilization of advanced computational techniques. In response to this challenge, we developed a novel approach leveraging deep learning to estimate the metallicity of fundamental mode (ab-type) RR Lyrae stars from their light curves in the Gaia optical G-band. Our study explores applying deep learning techniques, particularly advanced neural network architectures, in predicting photometric metallicity from time-series data. Our deep learning models demonstrated notable predictive performance, with a low mean absolute error (MAE) of 0.0565, the root mean square error (RMSE) achieved is 0.0765 and a high $R^2$ regression performance of 0.9401 measured by cross-validation. The weighted mean absolute error (wMAE) is 0.0563, while the weighted root mean square error (wRMSE) is 0.0763. These results showcase the effectiveness of our approach in accurately estimating metallicity values. Our work underscores the importance of deep learning in astronomical research, particularly with large datasets from missions like Gaia. By harnessing the power of deep learning methods, we can provide precision in analyzing vast datasets, contributing to more precise and comprehensive insights into complex astronomical phenomena.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google