太陽双子星のカタログをつくるため、観測に生じる偏りを減らす方法に工夫がされています。異なったモデルを複合して、偏りを取り除いていきました。信頼度の大きな太陽双子星のカタログがつくられました。
前回、谷口さんたちの研究で、膨大なデータベースから太陽双子星を探すに当たり、恒星パラメータ（温度・重力・金属量・年齢など）の推定が重要になることを紹介しました。しかし、このような作業を進めていく時、明るい星、近くの星ほど見つかりやすく、集まったデータに偏りが出てしまいます。そのような偏りを取り除いてくための方法が重要になります。
推定の方法として、大きくモデル駆動型とデータ駆動型の二通りのやり方があります。2つは、理論をどの程度重視するかの違いとなりますが、もう少し詳しく見ていきましょう。
モデル駆動型とは、理論からか恒星のパラメータを計算し、恒星の大気モデルから、理論的に恒星スペクトルを多数の計算していきます。理論からえられた仮想の恒星スペクトルと、実際の観測データと比較していきます。観測値ともっとも合っているパラメータを抽出していきます。
この方法は、観測データと理論的に求めた恒星パラメータとが一致しているので、観測データの意味が解釈しやすくなります。ただし、理論に基づいて計算しているので、えられた恒星パラメータは、理論に依存していきます。そのため、他の理論で説明できる可能性が常に存在しています。また、理論計算にも、大量の観測データを扱わなければならないので、コンピュータのパワーや多くの計算時間を要します。
一方、データ駆動型とは、観測データからの恒星スペクトルや恒星パラメータとの関係を、機械学習をしていきます。ガイア衛星のデータベースが大量にあるので機械学習には適しています。学習の結果でえられた恒星パラメータを、未知の恒星に適用していきます。
この方法は、実際の観測データで学習しているので、推定の精度がいいものになります。ただし、精度が保証されているのは、学習したデータの範囲内だけです。そのため、学習範囲を越えた場合は、類似性がわかっても、その結果に対する信頼性の判断が困難となります。
この論文では、巧みな方法を用いています。モデル駆動型で理論的にスペクトルで恒星パラメータを決めていきます。モデルから、7万5588個の人工的な太陽双子星を計算して、模擬カタログをつくって、実際の観測データと比べています。さらに恒星パラメータの精度を上げていくため、正確な観測値がある太陽類似の天体で補正していきます。この観測データとの比較という方法は、データ駆動型でパラメータの改善をしていったことになります。
モデル駆動型による恒星パラメータを求めて、データ駆動型によって、より適用範囲を広げて検証されたことになります。このような方法によって、観測データによる偏りの影響の少なく、信頼性の高い恒星パラメータをえたことになります。
そこから、年齢が高精度に求められた6594個からなる太陽双子星のカタログができました。太陽双子星の年齢を見ていくと、広い範囲に渡っていることが明らかになりました。この詳細は次回としましょう。
・春なのに・
北海道の桜は、
ゴールデンウィークのはじまる前に
満開を迎え、近隣のあちこちで眺めることができました。
ゴールデンウィーク以降からは
一気に花の季節になってきます。
5月だというのに、天気の悪い日は、
少々肌寒く、ストーブを短時間ですが
つけてしまいました。
夫婦ともども、高齢者になってきたので
無理をせずに、体が望む方向に
向かっていこうと思います。
・ゴールデンウィークは・
例年、ゴールデンウィークは、
近隣でも観光地では、人出が多くなるので
例年、自宅や周辺で、
のんびりとしていることにしています。
今年は、天気が不安定な日もあったので、
外出はあまりできませんでした。
自宅や餅つきやパン焼きをして、
天気のいい日には
近隣でサイクリング、散策など
こじんまりと楽しみました。
