Inferring stellar metallicity and elemental abundances from kinematic and spectroscopic data using machine learning -- Implications for exoplanet host stars

Résumé technique : Inférence de la métallicité stellaire et des abondances élémentaires à partir de données cinématiques et spectroscopiques par apprentissage automatique

Énoncé du problème
La détermination des abondances chimiques stellaires est fondamentale pour l'archéologie galactique et les études d'exoplanètes, car la composition de l'étoile hôte reflète celle du disque protoplanétaire et influence la minéralogie planétaire. Si les spectres optiques haute résolution permettent une détermination routinière des abondances pour les étoiles de type FGK, ce processus reste considérablement plus difficile pour les étoiles plus froides (en particulier les naines M) en raison du mélange sévère des raies et de l'absorption moléculaire. De plus, même pour les étoiles accessibles, les déterminations détaillées des abondances d'éléments spécifiques comme le Carbone (C) et l'Oxygène (O) sont difficiles dans les spectres optiques en dessous de 5200 K. Les auteurs investiguent si l'apprentissage automatique (ML) peut inférer la métallicité stellaire et des abondances élémentaires spécifiques en utilisant des données cinématiques et orbitales plus largement disponibles, et si ces relations empiriques peuvent étendre la caractérisation chimique aux étoiles où l'analyse spectroscopique directe est limitée.

Méthodologie
L'étude utilise deux jeux de données principaux :

1. Jeu d'entraînement : Un grand échantillon d'étoiles géantes rouges provenant de l'enquête APOGEE DR17, restreint aux métallicités comprises entre $-1.0 < \text{[Fe/H]} < 0.6$ dex.
2. Jeu de validation : Un échantillon indépendant d'étoiles naines FGK proches provenant de l'enquête d'exoplanètes HARPS, utilisé pour une validation externe.

À partir de l'astrométrie (Gaia EDR3/DR3) et des vitesses radiales, les auteurs ont dérivé les composantes de vitesse galactique, les paramètres orbitaux (excursion verticale maximale $Z_{\text{max}}$, distances péri/apocentriques, excentricité) et les probabilités d'appartenance au disque mince.

Les auteurs ont évalué plusieurs algorithmes de régression (Régression Linéaire, Forêt Aléatoire, Arbres Extra, XGBoost, LightGBM, CatBoost) en utilisant une validation croisée à 5 plis. Ils ont employé une approche « de base » où aucun réglage des hyperparamètres n'a été effectué initialement pour évaluer la puissance intrinsèque des caractéristiques, suivie d'une optimisation extensive des hyperparamètres utilisant Optuna. L'importance des caractéristiques a été analysée à l'aide de métriques basées sur le gain, de l'importance par permutation, de modèles à caractéristique unique et de valeurs SHAP (SHapley Additive exPlanations).

L'étude a abordé trois tâches de prédiction spécifiques :

1. Prédire la métallicité ($\text{[Fe/H]}$) à partir de la cinématique seule.
2. Prédire les abondances individuelles (C, O, Mg, Si) à partir de $\text{[Fe/H]}$ combiné à la cinématique.
3. Prédire les abondances de C et O à partir de Mg, Si et $\text{[Fe/H]}$, avec des entrées cinématiques optionnelles.

Résultats clés

• Métallicité à partir de la cinématique : L'information cinématique seule ne récupère qu'une fraction limitée de la variance de la métallicité. Les modèles les plus performants (LightGBM et XGBoost) atteignent une erreur quadratique moyenne (RMSE) d'environ $0.20$ dex pour APOGEE et d'environ $0.22$ dex pour HARPS. Ce plafond de performance persiste malgré une ingénierie extensive des caractéristiques, des stratégies d'ensemble et des recherches automatisées en ML, indiquant que la limite réside dans le contenu informationnel intrinsèque des caractéristiques cinématiques et non dans l'architecture du modèle. L'excursion orbitale verticale maximale ($Z_{\text{max}}$) est le prédicteur dominant, suivi des paramètres orbitaux radiaux ($R_{\text{apo}}$, $R_{\text{peri}}$).
• Prédiction des abondances avec la métallicité : Lorsque $\text{[Fe/H]}$ est combiné aux données cinématiques, la prédiction des abondances de C, O, Mg et Si est nettement plus précise que l'approximation de base $\text{[X/H]} = \text{[Fe/H]}$. Pour l'échantillon APOGEE, les valeurs de RMSE chutent à environ $0.04\text{--}0.08$ dex. La métallicité reste le prédicteur dominant, les paramètres orbitaux fournissant des contributions secondaires non négligeables.
• C et O à partir de Mg, Si et Fe : La prédiction de C et O à partir de Mg, Si et $\text{[Fe/H]}$ produit une haute précision. L'inclusion d'informations cinématiques n'apporte aucune amélioration mesurable, car le pouvoir prédictif est déjà contenu dans les abondances élémentaires elles-mêmes, Mg étant le contributeur dominant. Cela reflète l'origine nucléosynthétique commune de ces éléments dans les étoiles massives.
• Décalages systématiques : Lors de l'application de modèles entraînés sur APOGEE (géantes rouges) à HARPS (naines), des décalages systématiques ont été observés, en particulier pour le Carbone. Les auteurs attribuent cela à des différences intrinsèques d'échelle d'abondance et à des effets évolutifs (par exemple, l'appauvrissement en carbone chez les géantes rouges) plutôt qu'à un échec du modèle. L'application d'une correction constante (environ $0.1$ dex) a considérablement réduit le RMSE pour l'échantillon HARPS.
• Relations empiriques : Les auteurs ont dérivé des relations empiriques simples entre les rapports d'abondance (Fe/Si, Mg/Si, C/O, Fe/O) et la métallicité pour les populations du disque mince et du disque épais. Les pentes de ces relations diffèrent légèrement entre les échantillons APOGEE et HARPS, avec des différences fractionnaires généralement inférieures à 17 %.

Signification et affirmations
L'article revendique de fournir un cadre pratique pour étendre la caractérisation chimique aux étoiles où les déterminations détaillées des abondances sont difficiles, en particulier les naines M froides. Les auteurs soulignent que :

1. La cinématique est un traceur limité : La cinématique stellaire ne contient qu'une information limitée concernant la métallicité, la performance prédictive étant contrainte par les caractéristiques d'entrée plutôt que par le choix du modèle.
2. Synergie avec la métallicité : Bien que la cinématique seule soit insuffisante, sa combinaison avec la métallicité permet des prédictions précises des abondances élémentaires (C, O, Mg, Si) qui sont difficiles à déterminer directement.
3. Qualité des données plutôt que complexité : La convergence de plusieurs modèles et l'échec de l'ingénierie complexe des caractéristiques à améliorer les résultats suggèrent que les améliorations futures dépendent davantage de la qualité, de l'homogénéité et de la richesse physique des données d'entrée que de l'augmentation de la complexité du modèle.
4. Applications aux exoplanètes : Les relations empiriques dérivées pour les rapports d'abondance offrent une méthode peu coûteuse en calcul pour estimer des quantités pertinentes pour la structure interne planétaire (par exemple, la taille du noyau via Fe/Si) et la composition atmosphérique (C/O), aidant ainsi à la caractérisation des exoplanètes rocheuses pour lesquelles les données d'abondance stellaire directe sont indisponibles.

Les auteurs maintiennent un ton modeste, notant que si les modèles reproduisent les tendances principales de l'évolution chimique galactique, ils ne capturent pas entièrement le comportement détaillé des abondances aux extrêmes de la distribution de métallicité en raison de la rareté des données et de la complexité intrinsèque de l'évolution galactique.