A Machine Learning Approach to Galactic Disk Populations in Multidimensional Space

Abstract

In the literature, spatial, kinematic, dynamic, chemical properties and age criteria are taken into account while the populations of the Galaxy -thin disk, thick disk, halo- are separated from each other. However, the separation methods in the literature use one or two of these features. Since the use of only one or two parameters is contrary to the complex and dynamic structure of populations, when a distinction is made, samples that do not represent the components they belong to in terms of other characteristics can be selected. This situation creates an obstacle to Galactic Archeology studies. In this study, the differences of populations from each other in multidimensional chemical and kinematic space will be discussed, and the preliminary results of our project, which deals with a new solution to population separation in multidimensional space with a machine learning approach, are discussed. In this preliminary conclusion stage, a machine learning model was applied to the sample selected from the GALAH sky survey, with the help of the Gaussian Mixture Model, and a distinction was made for the three disk populations and halo that were statistically separate from each other thanks to this model.

Keywords

• kinematics
• populations
• milkyway

Çok Boyutlu Uzayda Galaktik Disk Popülasyonlarına Makine Öğrenmesi Yaklaşımı

Abstract

Literatürde Galaksiye ait popülasyonlar -ince disk, kalın disk, halo- birbirinden ayrılırken konumsal, kinematik, dinamik, kimyasal özellikler ve yaş kriterleri dikkate alınmaktadır. Fakat, literatürdeki ayrım yöntemleri bu özelliklerin bir veya iki tanesini kullanmaktadır. Sadece bir veya iki parametrenin kullanılması popülasyonların karmaşık ve dinamik yapısına aykırı olduğu için bir ayrım yapıldığında diğer özellikler bakımından ait oldukları bileşenleri temsil etmeyen örnekler seçilebilmektedir. Bu durum Galaktik Arkeoloji çalışmalarına bir engel oluşturmaktadır. Bu çalışmada popülasyonların çok boyutlu kimyasal ve kinematik uzayda birbirinden farklılıkları üzerine değinilecek olup, popülasyon ayrımına çok boyutlu uzayda makine öğrenmesi yaklaşımıyla yeni bir çözümü konu alan projemizin ön sonuçları tartışılmaktadır. Bu ön sonuç aşamasında GALAH gökyüzü taramasından seçilen örnek üzerine bir makine öğrenmesi modeli Gauss Karışım Modeli yardımıyla elde edilmiş ve bu model sayesinde birbirinden istatistiksel olarak ayrı olan üç disk popülasyonu ve halo için bir ayrım gerçekleştirilmiştir.

Keywords

• kinematics
• populations
• Milkyway

References

1. Bensby T., Feltzing S., Lundström I., 2003, A&A, 410, 527
2. Bensby T., Feltzing S., Lundström I., Ilyin I., 2005, A&A, 433, 185 Bensby T., Zenn A. R., Oey M. S., Feltzing S., 2007, ApJ, 663, L13 Bilir S., Cabrera-Lavers A., Karaali S., Ak S., Yaz E., López-Corredoira M., 2008, Publ. Astron. Soc. Australia, 25, 69 Blaauw A., Gum C. S., Pawsey J. L., Westerhout G., 1960, MNRAS, 121, 123
3. Bobylev V. V., Bajkova A. T., 2014, Astronomy Letters, 40, 783
4. Bovy J., 2015, ApJS, 216, 29
5. Bovy J., Bahmanyar A., Fritz T. K., Kallivayalil N., 2016, ApJ, 833, 31
6. Bressan A., Marigo P., Girardi L., Salasnich B., Dal Cero C., Rubele S., Nanni A., 2012, MNRAS, 427, 127
7. Buder S., et al., 2021, MNRAS, 506, 150
8. Chiappini C., Matteucci F., Gratton R., 1997, ApJ, 477, 765 Coşkunogˇlu B., et al., 2011, MNRAS, 412, 1237

9. Eggen O. J., Lynden-Bell D., Sandage A. R., 1962, ApJ, 136, 748 Freeman K., Bland-Hawthorn J., 2002, ARA&A, 40, 487
10. Gilmore G., Reid N., 1983, MNRAS, 202, 1025
11. Gilmore G., Wyse R. F. G., 1985, AJ, 90, 2015
12. Hayden M. R., et al., 2015, ApJ, 808, 132
13. Hayden M. R., Recio-Blanco A., de Laverny P., Mikolaitis S., Worley C. C., 2017, A&A, 608, L1
14. Haywood M., 2008, MNRAS, 388, 1175
15. Johnson D. R. H., Soderblom D. R., 1987, AJ, 93, 864
16. Jørgensen B. R., Lindegren L., 2005, A&A, 436, 127
17. Lindegren L., et al., 2021, A&A, 649, A2
18. Mihalas D., Binney J., 1981, Galactic astronomy. Structure and kine-
19. matics. W H Freeman and Co
20. Önal Taş Ö., Bilir S., Plevne O., 2018, Ap&SS, 363, 35
21. Özdönmez A., Ak T., Bilir S., 2015, New Astron., 34, 234 Pedregosa F., et al., 2011, Journal of Machine Learning Research, 12, 2825
22. Plevne O., AK T., Karaali S., Bilir S., Ak S., Bostanci Z. F., 2015, Publ. Astron. Soc. Australia, 32, e043
23. Plevne O., Önal Tas, Ö., Bilir S., Seabroke G. M., 2020, ApJ, 893, 108
24. Pont F., Eyer L., 2004, MNRAS, 351, 487
25. Schönrich R., Binney J., Dehnen W., 2010, MNRAS, 403, 1829 Searle L., Zinn R., 1978, ApJ, 225, 357
26. Sharma S., Hayden M. R., Bland-Hawthorn J., 2021, MNRAS, 507, 5882
27. Spitoni E., et al., 2021, A&A, 647, A73