Medidas de linhas de emissão com aprendizado de máquina

• Fortes, Lis Cristine ^[1] ; Asari, Natalia Vale ^[1]
  1. [1] Universidade Federal de Santa Catarina

     Universidade Federal de Santa Catarina

     Brasil

     
• Localización: Cadernos de Astronomia, ISSN-e 2675-4754, Vol. 5, Nº. Extra 0 (Especial), 2024 (Ejemplar dedicado a: As Astrocientistas), págs. 135-139
• Idioma: portugués
• DOI: 10.47456/Cad.Astro.v5nEspecial.44988
• Enlaces
  • Texto completo
• Resumen
  • English

    Electronic transitions in nebula ions present in galaxies emit photons with characteristic energies, emerging fromthe spectra of galaxies as emission lines. Measurements of emission line fluxes are fundamental in understandingthis physical system. For example, the equivalent width of the nebular spectral line Hα is linked to the specificstar formation rate of a galaxy and is also useful for quantifying the presence of ionized diffuse gas in galaxies.Given that in astrophysics we work with cubes that contain thousands of spectra per galaxy, it is importantto evaluate the method used to extract the physical properties of the data, given the great computationaldemand involved. To this end, the proposal of this work consisted of applying a convolutional neural network tomeasure amplitude and flux obtained from Hα emission lines generated from a Gaussian function. The resultsare promising and the learning is efficient. The perspective is to apply the method to data from MUSE (MultiUnit Spectroscopic Explorer).

  • português

    Transições eletrônicas em íons de nebulosas presentes em galáxias emitem fótons com energias características, despontando dos espectros das galáxias como linhas de emissão. Medidas dos fluxos de linhas de emissão são fundamentais no entendimento deste sistema físico. Por exemplo, a largura equivalente da linha espectral nebular Hα está ligada à taxa de formação estelar específica de uma galáxia e é também útil para quantificar a presença do gás difuso ionizado em galáxias. Dado que na astrofísica trabalha-se com cubos que contêm milhares de espectros por galáxia, é importante avaliar o método utilizado para extrair as propriedades físicas dos dados, haja vista a grande demanda computacional envolvida. Para tanto, a proposta deste trabalho consistiu na aplicação de uma rede neural convolucional para medir amplitude e fluxo obtidos de linhas de emissão Hα geradas a partir de uma função gaussiana. Os resultados apresentam-se promissores e o aprendizado eficiente. A perspectiva é aplicar o método para dados do MUSE (Multi Unit Spectroscopic Explorer).

• Referencias bibliográficas
  • R. Bacon et al., The MUSE second-generation VLT instrument, in Ground-based and air-borne instrumentation for Astronomy III, editado por I....
  • C. Rhea et al., A machine-learning approach to integral field unit spectroscopy observations. I. H ii region kinematics, Astrophysical Journal...
  • B. Ryden e B. M. Peterson, Foundations of astrophysics (Addison-Wesley, 2010).
  • S. Fabbro et al., An application of deep learning in the analysis of stellar spectra, Monthly Notices of the RAS 475(3), 2978 (2018). ArXiv:1709.09182....