機械学習と物理モデルを用いた原始星円盤形成の観測的研究 -解析手法の開発と実践-

本研究課題では、原始星に付随する円盤構造形成の観測研究に、機械学習および深層学習を導入して、観測データがもつ情報を最大限に抽出するための新しい解析手法を開発し、その実践と検証を行うことを目的とする。解析には、国際共同大型電波干渉計アルマ (ALMA) を使った観測データを使用する。教師あり機械学習の一種であるサポートベクターマシーン (Support Vector Machine; SVM) と、教師あり深層学習の一種である三次元畳み込みニューラルネットワーク (3-Dimensional Convolutional Neural Network; 3DCNN) を用いて、ガスの三次元の速度構造を判別するモデルを作成し、実際のALMA観測データに適用した。モデルの学習には、二種類の異なる円盤構造の物理モデルによって生成した擬似観測データを使用した。SVMと3DCNNのいずれを用いた場合でも、テスト用の擬似観測データに対して高い汎化性能を示した。学習済みのモデルを、若い低質量原始星連星IRAS 16293-2422 Source Aで観測された18本の分子輝線データに適用し、各分子輝線を、ケプラー回転する星周円盤のみを捉える輝線と、回転・落下する周連星系構造を主に捉える輝線の二種に分類することに成功した。切り分けられたガス構造の比角運動量を定量的に評価し、アウトフロー構造の比角運動量と比較することで、円盤形成領域での角運動量輸送に観測的に取り組む手法を開拓した。この成果について、国内外の学会で発表するとともに、学術論文として報告した。さらに、この解析手法を、大質量原始星天体の円盤構造および活動銀河核を取り巻くトーラス構造に応用するため、各分野の観測研究を専門とする研究者との議論を開始した。

本研究課題では、原始星に付随する円盤構造形成の観測研究に、機械学習および深層学習を導入して、観測データがもつ情報を最大限に抽出するための新しい解析手法を開発し、その実践と検証を行うことを目的とする。解析には、国際共同大型電波干渉計アルマ (ALMA) を使った観測データを使用する。教師あり機械学習の一種であるサポートベクターマシーン (Support Vector Machine; SVM) と、教師あり深層学習の一種である三次元畳み込みニューラルネットワーク (3-Dimensional Convolutional Neural Network; 3DCNN) を用いて、ガスの三次元の速度構造を判別するモデルを作成し、実際のALMA観測データに適用した。モデルの学習には、二種類の異なる円盤構造の物理モデルによって生成した擬似観測データを使用した。SVMと3DCNNのいずれを用いた場合でも、テスト用の擬似観測データに対して高い汎化性能を示した。学習済みのモデルを、若い低質量原始星連星IRAS 16293-2422 Source Aで観測された18本の分子輝線データに適用し、各分子輝線を、ケプラー回転する星周円盤のみを捉える輝線と、回転・落下する周連星系構造を主に捉える輝線の二種に分類することに成功した。切り分けられたガス構造の比角運動量を定量的に評価し、アウトフロー構造の比角運動量と比較することで、円盤形成領域での角運動量輸送に観測的に取り組む手法を開拓した。この成果について、国内外の学会で発表するとともに、学術論文として報告した。さらに、この解析手法を、大質量原始星天体の円盤構造および活動銀河核を取り巻くトーラス構造に応用するため、各分野の観測研究を専門とする研究者との議論を開始した。