Análise interpretável de aprendizado profundo para identificação de estrelas de carbono em Gaia DR3

Contexto. Uma grande fração das estrelas da Rama Gigante Assintótica (AGB) desenvolve atmosferas ricas em carbono durante sua evolução. Com base em sua cor e luminosidade, essas estrelas de carbono podem ser facilmente distinguidas de muitos outros tipos de estrelas. No entanto, um grande número de gigantes G, K e M também está distribuído na mesma região que as estrelas de carbono no diagrama HR. Seus espectros apresentam diferenças, especialmente nas proeminentes bandas moleculares de CN. Objetivos. Nosso objetivo é distinguir estrelas de carbono de outros tipos de estrelas usando os espectros XP do Gaia, enquanto fornecemos explicações de atribuição das características-chave necessárias para identificação e até mesmo descobrindo novas características espectrais além das já conhecidas. Métodos. Propomos um modelo de classificação chamado `GaiaNet', uma rede neural convolucional unidimensional aprimorada, especificamente projetada para lidar com os espectros XP do Gaia. Utilizamos o modelo de interpretabilidade SHAP para calcular o valor SHAP para cada ponto de característica em um espectro, permitindo-nos explicar a saída do modelo `GaiaNet' e fornecer uma análise adicional significativa. Resultados. Comparado a quatro métodos tradicionais de aprendizado de máquina, o modelo `GaiaNet' demonstra uma melhoria média na precisão de classificação de aproximadamente 0,3% no conjunto de validação, com a maior precisão alcançando até 100%. Utilizando o algoritmo SHAP, apresentamos um mapa de calor espectroscópico claro destacando características de absorção de bandas moleculares distribuídas principalmente em torno de CN773.3 e CN895.0, e resumimos cinco regiões de características cruciais para a identificação de estrelas de carbono. Ao aplicar o modelo de classificação treinado na amostra CSTAR com espectros `xpₛampledₘean' do Gaia, obtivemos 451 novos candidatos a estrelas de carbono como um subproduto.