En utilisant les données spectrales LAMOST comme échantillon d’entraînement, une équipe de recherche dirigée par le Dr Wang Shoucheng et le professeur Ma Jun des Observatoires astronomiques nationaux de l’Académie chinoise des sciences (NAOC) a proposé une nouvelle méthode pour rechercher des amas d’étoiles dans l’Andromède. galaxie.
Avec cette méthode, les chercheurs ont identifié 117 nouveaux candidats d’amas de haute confiance dans la galaxie d’Andromède sur la base des données du Pan-Andromeda Archaeological Survey (PAndAS), parmi lesquels 109 sont de jeunes candidats d’amas situés dans le disque, et huit sont d’anciens amas globulaires dans le halo extérieur.
L’étude a été publiée dans Astronomie & Astrophysique.
Les amas d’étoiles sont largement distribués dans toute la galaxie, du renflement et du disque au halo extérieur, fournissant un excellent outil pour révéler la formation précoce et l’histoire évolutive des galaxies.
La galaxie d’Andromède, également connue sous le nom de Messier 31 (M31), est la grande galaxie spirale la plus proche de notre Voie lactée et constitue un laboratoire idéal pour étudier la formation et l’évolution des galaxies.
Les astronomes travaillent depuis longtemps sur l’identification des amas d’étoiles dans M31 pour obtenir un échantillon complet d’amas de cette galaxie. De récents relevés photométriques et spectroscopiques à grand champ ont fourni une bonne occasion de rechercher des amas M31. Cependant, trouver et identifier les objets spéciaux dont nous avons besoin à partir de dizaines de millions d’images obtenues par les levés photométriques à grand champ profond est difficile à l’heure actuelle.
En sélectionnant 346 amas M31, ainsi que des objets galactiques de premier plan et des galaxies d’arrière-plan, à partir de la base de données LAMOST DR6, et en combinant avec les échantillons d’amas et de non-amas de M31 obtenus à partir de la littérature comme échantillons d’apprentissage, les chercheurs ont construit une classe de deux- canaliser le modèle de réseau de neurones à convolution profonde (CNN) pour identifier les amas d’étoiles. Sa précision s’est avérée capable d’atteindre 99% dans l’ensemble de test. À l’aide de ce modèle, les chercheurs ont identifié 117 nouveaux candidats de cluster M31 à haute confiance à partir de plus de 21 millions d’images obtenues par l’enquête photométrique PAndAS.
Un échantillon d’amas d’étoiles M31 plus complet est une référence précieuse pour une étude plus approfondie sur la formation et l’évolution de M31. « La détection automatique des amas d’étoiles dans les grandes enquêtes sur le ciel est une demande urgente compte tenu des futures installations à grand champ et à grande ouverture, et le modèle CNN proposé par ce travail est très opportun », a déclaré le Dr Wang.
« Cette méthode peut également être générée pour un plus large éventail d’applications. Par exemple, il est utile d’identifier les lentilles gravitationnelles et de rechercher des galaxies à décalage vers le rouge élevé », a déclaré le professeur Ma.
Shoucheng Wang et al, Identification de nouveaux candidats au groupe d’étoiles M 31 à partir d’images PAndAS à l’aide de réseaux de neurones convolutifs, Astronomie & Astrophysique (2021). DOI : 10.1051/0004-6361/202142169