Stellar masses and ages in Gaia Data Release 4 from the Final Luminosity Age Mass Estimator algorithm

Résumé technique : Masses et âges stellaires dans la Gaia Data Release 4 via l'algorithme Final Luminosity Age Mass Estimator (FLAME)

Problématique et contexte
La détermination des masses et des âges stellaires est fondamentale pour comprendre la formation et l'évolution des systèmes astrophysiques, y compris l'histoire de la Voie Lactée et le contexte évolutif des systèmes exoplanétaires. Bien que la mission Gaia fournisse une astrométrie, une photométrie et une spectroscopie de haute précision, la dérivation des paramètres stellaires intrinsèques nécessite une modélisation complexe. Le consortium Gaia Data Processing and Analysis (DPAC) traite cela via le pipeline Apsis, plus précisément par le module Final Luminosity Age Mass Estimator (FLAME). Cet article détaille la méthodologie FLAME, sa validation et ses performances attendues pour la Gaia Data Release 4 (GDR4), visant à fournir un échantillon large et homogène de paramètres stellaires avec des incertitudes quantifiées.

Méthodologie
L'algorithme FLAME est structuré en deux composantes distinctes pour séparer la dérivation observationnelle de l'inférence par modèle :

1. Algo1 (Composante analytique) : Ce module dérive la luminosité stellaire ($L$), le rayon ($R$) et la correction de vitesse radiale due au décalage gravitationnel vers le rouge ($V_{GR}$). Il utilise les paramètres atmosphériques de Gaia ($T_{\text{eff}}$, $\log g$, $[Fe/H]$, $[\alpha/Fe]$), l'astrométrie (parallaxe) et la photométrie (magnitude de la bande $G$).

   • La luminosité est calculée à l'aide de l'équation de la magnitude bolométrique, incorporant une correction bolométrique ($BC$) dérivée de modèles d'atmosphère stellaire (MARCS pour $2500 < T_{\text{eff}} < 8000$ K ; modèles de type "Line-by-Line" pour $T_{\text{eff}} > 8000$ K).
   • Le rayon est dérivé via la relation de Stefan-Boltzmann.
   • $V_{GR}$ est calculé à partir de $\log g$ et $R$.
   • Les incertitudes sont propagées en utilisant une méthode de bootstrap ou des échantillons MCMC provenant du module précédent GSP-Phot.

2. Algo2 (Composante d'inférence par modèle) : Ce module infère la masse stellaire ($M$), l'âge ($\tau$) et le stade évolutif ($\epsilon$) en comparant les propriétés observées aux modèles stellaires théoriques.

   • Entrée : La luminosité ($L$) dérivée, ainsi que $T_{\text{eff}}$, $\log g$ et la métallicité ($[M/H]$).
   • Modèles : L'algorithme utilise la grille BaSTI (Bag of Stellar Tracks and Isochrones), couvrant des masses de $0,1$à$15 M_{\odot}$ et des métallicités de $-3,197$à$+0,45$. La grille inclut des phénomènes physiques tels que la diffusion atomique et l'overshoot de cœur convectif.
   • Méthodes d'inférence : Deux approches sont implémentées : un cadre bayésien utilisant le code SPInS (employant l'échantillonnage MCMC avec des priors sur la fonction de masse initiale et le taux de formation stellaire) et une approche classique de minimisation de Levenberg-Marquardt. Les résultats de la GDR4 reposent principalement sur l'implémentation bayésienne SPInS.
   • Correction de la métallicité : Pour assurer la cohérence entre les entrées observationnelles basées sur MARCS et les modèles BaSTI (qui utilisent un mélange solaire différent), une correction est appliquée à $[M/H]$ basée sur l'enrichissement en éléments $\alpha$.

Sources de données
FLAME traite deux ensembles distincts de données Gaia :

• GSP-Phot : Spectres XP à basse résolution ($300–1000$ nm) disponibles pour la vaste majorité des sources ($\sim500$ millions dans la GDR4).
• GSP-Spec : Spectres RVS à haute résolution ($840–870$ nm) pour un sous-ensemble de sources plus brillantes ($\sim34$ millions dans la GDR4).
  Le pipeline traite les sources individuellement, sans connaissance préalable de la binarité ou de l'appartenance à un amas, ce qui introduit des défis spécifiques pour certains espaces de paramètres (ex: étoiles de très faible masse ou binaires).

Validation et résultats
L'article valide FLAME via des données simulées, des paramètres solaires et des comparaisons avec des catalogues externes :

• Données simulées : Des tests sur 372 étoiles simulées à travers le diagramme HR montrent que FLAME récupère les masses et les âges d'entrée sans décalages ou tendances significatifs. Les incertitudes de masse évoluent avec les erreurs d'entrée, et la récupération de l'âge est satisfaisante malgré la nature non linéaire du paramètre d'âge.
• Paramètres solaires : Les tests sur le Soleil démontrent que des entrées de haute précision produisent des masses et des âges précis. Les erreurs systématiques, particulièrement dans $\log g$, ont l'impact le plus important sur les paramètres dérivés, pouvant biaiser les résultats s'ils ne sont pas pris en compte.
• Étoiles de référence Gaia (GBS) : Les comparaisons avec les paramètres fondamentaux de 140 étoiles GBS montrent une haute concordance dans les rayons et les masses (décalage médian $\sim -0,08\sigma$).
• Données astérosismiques : Les comparaisons avec les échantillons APOKASC (Kepler/APOGEE) révèlent que lorsque FLAME utilise les mêmes contraintes d'entrée que l'analyse séismique, les accords de masse et d'âge sont excellents (décalages médians $< 1\%$). Cependant, lors de l'utilisation de paramètres atmosphériques Gaia indépendants, des divergences apparaissent pour les étoiles géantes dues à la dégénérescence des trajectoires évolutives dans le diagramme HR.
• Catalogues externes (StarHorse) : Les comparaisons avec le catalogue StarHorse montrent un bon accord pour les étoiles de la séquence principale et les sous-géantes (décalage de masse $\sim 3\%$), mais là encore, les résultats pour les géantes divergent en raison des différences de données d'entrée.

Contributions clés et estimations de performance

• Échelle de la GDR4 : FLAME devrait fournir des résultats pour environ 500 millions de sources basées sur GSP-Phot et 34 millions basées sur GSP-Spec.
• Inflation des incertitudes : Pour remédier au problème d'incertitudes formelles trop optimistes des paramètres atmosphériques (qui peuvent biaiser l'inférence du modèle), la GDR4 introduit une inflation des incertitudes (par exemple, ajouter $60$K à$T_{\text{eff}}$ et $0,1$ dex à $\log g$ pour GSP-Spec) avant l'inférence.
• Incertitudes typiques :
  • Luminosité : Les incertitudes relatives varient de $\sim1\%$ pour les étoiles de type solaire brillantes ($G=11$) à $\sim35\%$ pour les étoiles plus faibles ($G=17$).
  • Masse : Les incertitudes relatives typiques se situent entre $2\%$ et $6\%$ pour les étoiles de la séquence principale, s'alignant sur les prédictions analytiques masse-luminosité mais améliorées par les contraintes de modèle.
  • Âge : Les incertitudes relatives varient considérablement selon la masse et le stade évolutif. Pour les étoiles de type solaire, les incertitudes vont de $20\%$ à $40\%$. Pour les géantes, les incertitudes sont typiquement de $10\%$ pour les masses plus faibles, augmentant à $15–20\%$ pour les masses plus élevées. Les étoiles de faible masse de la séquence principale ($<0,8 M_{\odot}$) présentent de grandes incertitudes relatives ($\sim70\%$) en raison de l'évolution lente des propriétés de surface.

Signification et limites
L'article conclut que FLAME produit des résultats valides et statistiquement cohérents pour les releases de Gaia, fournissant un ensemble de données massif pour l'archéologie galactique et la caractérisation des exoplanètes. Les auteurs soulignent que la qualité de la sortie dépend strictement de la qualité des paramètres atmosphériques d'entrée.

Une limite critique mise en évidence est la difficulté de valider les masses et les âges pour les étoiles géantes. Comme les modèles évolués occupent une région étroite dans le diagramme HR, de petites variations dans les données d'entrée entraînent de grandes variations dans les paramètres dérivés. Par conséquent, l'accord avec les catalogues externes pour les géantes n'est obtenu que lorsque les mêmes données d'entrée exactes sont utilisées. L'article conseille aux utilisateurs de consulter la documentation et les drapeaux (flags) de Gaia, particulièrement pour les échantillons présentant une qualité de données diminuée ou pour des stades évolutifs spécifiques où les dégénérescences de paramètres sont élevées.

Applications présentées
Les auteurs appliquent FLAME pour dériver de nouveaux paramètres pour :

1. Les étoiles à haute vitesse et pauvres en métaux (Katz et al. 2025), trouvant des âges culminant autour de $11$ Ga.
2. Les étoiles de type solaire avec des compagnons de très faible masse (Maxted 2025), contraignant les propriétés du compagnon via la caractérisation de l'étoile primaire.
3. Un sous-ensemble du catalogue d'entrée PLATO (PIC), fournissant des paramètres homogènes pour la validation future de la mission.