Нейросети научились определять спектральный класс коричневых карликов

Международная группа астрономов под руководством А.Р. Каллена из Национального университета Кордовы (Аргентина) обнаружила, что для классификации коричневых карликов – небесных тел, занимающих промежуточное положение между звездами и планетами-гигантами, можно эффективно использовать алгоритмы машинного обучения, работающие только с фотометрическими данными. Исследование показало, что методы Random Forest и Gaussian Processes позволяют определять спектральный тип этих тусклых и холодных объектов с точностью до 84–87%, что особенно ценно, когда получение их полноценных спектров технически затруднено.

Коричневые карлики – удивительные космические объекты, которые часто называют «неудавшимися звездами». Они слишком массивны, чтобы считаться планетами, но недостаточно тяжелы для того, чтобы в их недрах запустилась устойчивая термоядерная реакция горения водорода. Вместо этого они постепенно остывают на протяжении миллиардов лет, проходя через разные спектральные типы, от горячих M до холодных Y.

Одной из самых больших загадок астрофизики является так называемый «эффект посинения»: вблизи границы типов L и T эти объекты вопреки здравому смыслу становятся более синими (в инфракрасном диапазоне), а не краснеют, как ожидалось бы при охлаждении. Причина кроется в сложной химии их атмосфер: с понижением температуры тяжелые элементы и пылевые облака уходят в более глубокие слои, а на смену им приходят мощные полосы поглощения метана, которые искажают привычные цветовые показатели.

Авторы работы решили проверить, можно ли обойтись без дорогостоящих спектральных наблюдений и определять тип коричневого карлика только по его яркости в нескольких фильтрах – в ближнем инфракрасном диапазоне (обзоры 2MASS) и среднем инфракрасном (космический телескоп WISE).

Для этого они взяли базу данных The UltracoolSheet, содержащую более 1700 изолированных коричневых карликов с уже известными спектральными типами, и обучили две модели машинного обучения: Random Forest и Gaussian Processes. Входными параметрами служили абсолютные звездные величины в фильтрах J, H, W1, а также несколько цветовых индексов, таких как J–H и W1–W2. Чтобы упростить задачу и уменьшить шум, все спектральные типы были объединены в шесть укрупненных классов – от самых ранних M6–M9 до редчайших Y-карликов.

Обе модели показали впечатляющие результаты: F1-мера (гармоническое среднее точности и полноты) составила 0,86 и 0,87 соответственно. Причем алгоритмы проверили не только на тестовой выборке из исходного каталога, но и на независимой группе из почти 200 коричневых карликов, обнаруженных методом прямого наблюдения. Согласие с данными превысило 80%. Особенно хорошо модели работают для типов T5–T9, где цветовая зависимость становится более однозначной из-за осаждения облаков силикатов из верхней атмосферы. Главная трудность связана с дефицитом примеров самых холодных Y-карликов – их в каталоге всего около пятидесяти, и ошибка классификации для этого класса остается высокой.

Затем авторы применили свои натренированные алгоритмы к 21 коричневому карлику, у которых ранее не было определенного спектрального типа. Большинство из них (16 объектов) попали в класс M6–M9, а пять – в класс L0–L4. Причем в трех случаях возникли расхождения между Random Forest и Gaussian Processes: например, объект 2MASS J0342-6817 по версии первого оказался типом L0–L4, а гауссовский процесс отнес его к Y-карликам, но с очень низкой вероятностью (не более 35%).

Анализ показал, что Random Forest надежнее справляется с молодыми карликами, которые часто встречаются в областях звездообразования, и именно его результатам авторы советуют доверять при противоречиях.

В итоге ученые убедительно продемонстрировали, что даже без сложной спектроскопии, только по многоцветной фотометрии из архивов 2MASS и WISE, можно надежно оценивать спектральные классы коричневых карликов.

Предложенный подход особенно перспективен для будущих обзоров, таких как телескоп «Нэнси Грейс Роман» или обсерватория Веры Рубин, где спектры для большинства слабых объектов будут недоступны. Комбинация данных в ближнем и среднем инфракрасном диапазоне с алгоритмами машинного обучения позволяет автоматически отделять холодные карлики от далеких галактик и красных звезд, открывая дорогу для массового поиска и классификации этих загадочных «неудавшихся звезд».

Присоединяйтесь к нам в соцсетях