红巨星|大数据时代银河系红巨星的“星口普查”( 二 )


红巨星|大数据时代银河系红巨星的“星口普查”
文章图片
图3. 恒星的赫罗图 , 横坐标为恒星有效温度 , 纵坐标为代表恒星光度的绝对星等(图源:维基百科)
红巨星是一颗恒星度过漫长的主序星阶段进入“老年”时期的一种状态 , 也就是恒星燃烧到后期所经历的一个很短的不稳定阶段 。红巨星在赫罗图上已离开了主序带沿着右上分支快速移动 。也就是说恒星处在红巨星不稳定阶段的时标很短 , 一般而言需要几百万年 , 这与恒星几十亿年甚至上百亿年的主序阶段相比是非常短暂的 。因此红巨星的年龄主要由主序阶段的寿命决定 , 而红巨星在主序阶段停留的时长主要取决于其质量大小 。观测研究表明 , 银河系中大部分的红巨星均呈现类太阳的振动模式 , 这样一来天文学家便可以通过星震学分析得到它们的质量估计 , 从而利用星震学分析给出的恒星质量进一步推断出这些红巨星的年龄 。
红巨星|大数据时代银河系红巨星的“星口普查”
文章图片
图4. 类太阳恒星演化示意图(图源:国家天文台)
另一方面 , 红巨星的光度很大 , 可以探测到很远的距离 , 因此成为了研究银河系结构很好的探针 。集“类太阳振动”、“亮度”于一身的红巨星 , 成为了天文学家绘制银河系结构样貌和追溯银河系精彩过往的重要“见证者” 。
大数据时代背景下红巨星的年龄普查
随着各类空间望远镜和地基望远镜的巡天观测 , 近些年 , 天文数据量呈现指数级增长 , 值得一提的是 , 我国自主创新研制的国家重大科技基础设施、目前世界上光谱获取率最高的LAMOST以发布千万量级的天体光谱 , 天文学迎来了大数据天体物理时代 。这对于天文学家而言即是机遇又是挑战 。天文学家竭尽全力寻找最高效、最便捷的方式来完成大规模天文数据的搜索及分类工作 。其中机器学习算法成为大数据时代解决问题重要且关键的新兴“工具” , 而机器学习方法行之有效的前提则需要构建一个具有广泛性、准确性和完备性的训练样本 。美国开普勒卫星(Kepler)为寻找类地行星对约20万颗恒星(大部分是红巨星和红团簇巨星)进行了高质量测光观测 , Kepler数据的释放 , 迎来了星震学的黄金时代 。利用这些数据天文学家可以得到成千上万颗巨星的星震学参数 , 这些参数为精确得到红巨星质量和年龄提供了很大的帮助 。LAMOST是对Kepler目标源进行光谱观测最理想的地基望远镜 , 它提供了迄今为止数量最多的恒星光谱数据 , 为描绘红巨星的“容貌”特征给出了丰富又准确的基本信息 。这些共同源成为测量大样本红巨星年龄的极佳数据 。
新兴的机器学习方法及可靠的红巨星训练样本 , 使得天文学家获取大样本红巨星的“芳龄”成为可能 。
红巨星|大数据时代银河系红巨星的“星口普查”
文章图片
【红巨星|大数据时代银河系红巨星的“星口普查”】图5. 郭守敬望远镜LAMOST(图源:孔啸)
2019年 , 国家天文台的武雅倩助理研究员、赵刚研究员以及德国马普天文学研究所向茂盛博士等人利用LAMOST-Kepler红巨星样本 , 精确确定了6940颗红巨星的质量和年龄 , 质量的典型精度为7% , 年龄的典型精度为25% 。利用可靠的训练样本 , 他们进一步估计了LAMOST DR4中64万红巨星的质量和年龄 , 典型误差分别为10%和30% 。至此 , 研究人员通过人工智能 , 从LAMOST-kepler数据中成功获取了64万红巨星样本的年龄信息 , 完成了天体物理大数据背景下的一次“星口普查” , 成为揭秘恒星年龄的代表性工作 。

猜你喜欢