SDSS-IV MaStar: Datengetriebene Parameterableitung für die MaStar-Sternbibliothek

Zusammenfassung Die Mapping Nearby Galaxies am Apache Point Observatory (MaNGA) Stellar Library (MaStar) ist eine große Sammlung hochwertiger empirischer Sternspektren, die alle Spektraltypen abdeckt und ideal für die Analyse der Sternepopulation von Galaxien ist, die in der MaNGA-Umfrage beobachtet wurden. Die Bibliothek enthält 59.266 Spektren von 24.130 einzigartigen Sternen mit einer spektralen Auflösung von R ∼ 1800 und deckt einen Wellenlängenbereich von 3622–10.354 Å ab. In dieser Arbeit leiten wir fünf physikalische Parameter für jedes Spektrum in der Bibliothek ab: effektive Temperatur (T eff), Oberflächen-Schwere (log g), Metallizität (Fe/H), mikro-turbulente Geschwindigkeit (log(v micro)) und Alpha-Element-Abundanz (α/Fe). Diese Parameter werden mit einem flexiblen, datengetriebenen Algorithmus abgeleitet, der ein neuronales Netzwerkmodell nutzt. Wir trainieren ein neuronales Netzwerk mit der Untergruppe von 1675 MaStar-Zielen, die auch im Apache Point Observatory Galactic Evolution Experiment (APOGEE) beobachtet wurden und die unabhängig abgeleiteten APOGEE Stellar Parameter und Chemical Abundance Pipeline-Parameter für diesen Referenzsatz übernehmen. Für die Bereiche des Parameterraums, die nicht gut durch den APOGEE-Trainingssatz repräsentiert sind (7000 ≤ T ≤ 30.000 K), ergänzen wir mit theoretischen Modell-Spektren. Wir präsentieren unsere abgeleiteten Parameter zusammen mit einer Analyse der Unsicherheiten und Vergleichen mit anderen Analysen aus der Literatur.