Машинное обучение с точностью 90% классифицирует белые карлики по спектрам Gaia
Международная группа астрономов провела масштабную проверку алгоритмов машинного обучения, используемых для классификации белых карликов по данным космической обсерватории Gaia. Результаты, опубликованные на arXiv, подтверждают, что автоматические методы могут надёжно определять спектральные типы этих компактных объектов.
Для исследования были отобраны 255 белых карликов из выборки Gaia в радиусе 500 парсек от Солнца. Учёные получили их спектры среднего разрешения с помощью инструмента OSIRIS на 10,4-метровом телескопе Gran Telescopio Canarias (GTC). Затем спектральные типы были определены визуально и сравнены с предсказаниями Random Forest, обученного на данных Gaia.
Сравнение показало, что точность машинного обучения превышает 90% для тех спектральных типов, которые присутствовали в обучающей выборке. Это означает, что низкое разрешение спектров Gaia не является критическим препятствием для автоматической классификации основной массы белых карликов.
Особое внимание уделили объектам, которые алгоритмы определяли как «массивные гелиевые» (DB). Из 112 таких звёзд только 5 (4,46%) действительно оказались DB. Большинство же оказались магнитными белыми карликами или тёплыми DQ — углеродными звёздами. Таким образом, «массивные DB» являются в основном результатом ошибочной классификации.
Всего в ходе работы идентифицировано 63 магнитных белых карлика, 29 тёплых DQ, 4 горячих DQ, а также единичные редкие подтипы: DAQ, DQZA. Тёплые DQ примечательны тем, что они располагаются вдоль Q-ветви на диаграмме Gaia и обладают аномально высокими тангенциальными скоростями.
Полученные данные подтверждают гипотезу о том, что тёплые DQ являются продуктами слияния двух белых карликов. Исследование демонстрирует, что машинное обучение в сочетании с целенаправленными спектроскопическими наблюдениями способно эффективно выявлять редкие и интересные объекты в огромном массиве данных Gaia.
