抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
恒星質量と半径の推定は,ほとんどの星の挑戦であるが,それらの知識は,多くの異なる宇宙物理学分野にとって重要である。これらの変数を推定するための最も拡張された技術の一つは,いわゆる経験的関係である。本研究では,恒星質量と半径を推定する際に,それらの熟度を研究する目的で,最先端のAI回帰モデルのグループを提案した。データベース,AIモデル,およびコミュニティに対する恒星質量と半径推定のためのオンラインツールを公開した。正確なM,R,T_eff,L,logg,および[Fe/H]を有する文献中の726のMS星のサンプルを使用した。訓練と試験セットにデータサンプルを分割し,次にそれらを用いて異なるAI技術を分析した。特に,線形Reg.,Bayes Reg.,回帰ツリー,ランダムフォレスト,サポートVector Regなどのモデルの精度を実験的に評価した。(SVR),ニューラルネットワーク,kNN,およびStacking。推定の精度を評価するために設計した一連の実験を提案した。また,入力パラメータの数を低減する影響を解析し,文献における最先端の経験的関係からの結果と比較した。いくつかの回帰モデルのStackingが,質量と半径を推定するための最も適切な技術であることが分かった。質量の場合,ニューラルネットワークも正確な結果を提供し,半径,SVRおよびニューラルネットワークの仕事も行う。他の最先端の経験的関係ベースのモデルと比較するとき,著者らのStackingは,両方の変数に対して2つの因子によって精度を改良した。さらに,バイアスは恒星質量の場合に1桁に減少した。最後に,入力特徴としてStackingとT_effとLのみを用いて,得られた精度は5%よりも僅かに大きく,バイアスは約1.5%であった。【JST・京大機械翻訳】