Towards the prediction of molecular parameters from astronomical emission lines using Neural Networks
Towards the prediction of molecular parameters from astronomical emission lines using Neural Networks
复制标题
使用神经网络预测天文发射线的分子参数
DOI：
10.1007/s10686-021-09786-w
复制
发表时间：
2021
影响因子：
3
通讯作者：
Aladro Re
中科院分区：
文献类型：
--
作者：
Barrientos Alejandro;Holdship Jonathan;Solar Mauricio;Martin Sergio;Rivilla Victor M.;Viti Serena;Mangum Jeff;Harada Nanase;Sakamoto Kazushi;Muller Sebastien;Tanaka Kunihiko;Yoshimura Yuki;Nakanishi Kouichiro;Herrero-Illana Ruben;Muehle Stefanie;Aladro Re
分子天文学是一个在大型天文台如阿塔卡马大型毫米/亚毫米阵列（阿尔马）时代蓬勃发展的领域。随着现代化的、灵敏的和高光谱分辨率的射电望远镜，如阿尔马和平方公里阵列，数据立方体的大小正在迅速增加，产生了对强大的自动分析工具的需求。这项工作introducesMolPred，一个试点研究进行预测的分子参数，如激发温度（特克斯）和柱密度（log（N））从输入光谱通过使用神经网络。我们使用CO，HCO+，SiO和CH 3CN在80和400 GHz之间的光谱作为测试用例。训练光谱用MADCUBA生成，MADCUBA是一种最先进的光谱分析工具。我们的算法被设计为允许并行生成多个分子的预测。利用神经网络，我们可以预测这些分子的柱密度和激发温度的平均绝对误差为8.5%的CO，4.1%的HCO+，1.5%的SiO和1.6%的CH 3CN。预测精度取决于噪声电平、线饱和度和转换次数。我们对真实的阿尔马数据进行了预测。我们的神经网络为这个真实的数据预测的值与MADCUBA值平均相差13%。我们的工具目前的局限性包括不考虑线宽，源的大小，多个速度分量，和线混合。
Molecular astronomy is a field that is blooming in the era of large observatories such as the Atacama Large Millimeter/Submillimeter Array (ALMA). With modern, sensitive, and high spectral resolution radio telescopes like ALMA and the Square Kilometer Array, the size of the data cubes is rapidly escalating, generating a need for powerful automatic analysis tools. This work introducesMolPred, a pilot study to perform predictions of molecular parameters such as excitation temperature (Tex) and column density (log(N)) from input spectra by the use of neural networks. We used as test cases the spectra of CO, HCO+, SiO and CH3CN between 80 and 400 GHz. Training spectra were generated with MADCUBA, a state-of-the-art spectral analysis tool. Our algorithm was designed to allow the generation of predictions for multiple molecules in parallel. Using neural networks, we can predict the column density and excitation temperature of these molecules with a mean absolute error of 8.5% for CO, 4.1% for HCO+, 1.5% for SiO and 1.6% for CH3CN. The prediction accuracy depends on the noise level, line saturation, and number of transitions. We performed predictions upon real ALMA data. The values predicted by our neural network for this real data differ by 13% from the MADCUBA values on average. Current limitations of our tool include not considering linewidth, source size, multiple velocity components, and line blending.
登录
查看更多内容
天文学档案将如何在数据海啸中幸存下来？
影响因子：
22.7
作者：
G. B. Berriman;S. Groom
通讯作者：
S. Groom
用于欧洲极大望远镜 (E-ELT) 的中红外 E-ELT 成像仪和摄谱仪 (METIS) 的数据缩减软件
DOI：
10.1117/12.2232436
发表时间：
2016
期刊：
--
影响因子：
--
作者：
Michael Mach;R. Köhler;O. Czoske;K. Leschinski;W. Zeilinger;W. Kausch;T. Ratzka;M. Leitzinger;R. Greimel;N. Przybilla;V. Schaffenroth;M. Güdel;B. Brandl
通讯作者：
B. Brandl
CASSIS：可视化和分析仪器和合成光谱的工具。
DOI：
--
发表时间：
2015
期刊：
--
影响因子：
--
作者：
C. Vastel;S. Bottinelli;E. Caux;J. Glorian;M. Boiziot
通讯作者：
M. Boiziot
ALMA 管道启发法
DOI：
--
发表时间：
2006
期刊：
影响因子：
--
作者：
J. Lightfoot;F. Wyrowski;D. Muders;F. Boone
通讯作者：
F. Boone