Inferring Asteroseismic Parameters from Short Observations Using Deep Learning: Application to TESS and K2 Red Giants

Technische Samenvatting: Afleiden van Asteroseismische Parameters uit Korte Observaties met Diep Leren

Probleemstelling
Asteroseismologie biedt nauwkeurige bepalingen van sterrenmassa, straal, zwaartekracht aan het oppervlak en leeftijd door resonante oscillaties te analyseren. Hoewel ruimtemissies zoals Kepler en K2 data met lange duur en hoge precisie leverden, biedt de lopende TESS-missie bijna volledige hemeldekking met aanzienlijk kortere observatiebaselines (doorgaans één tot twee maanden per sector). De TESS-missie heeft naar schatting meer dan 300.000 oscillerende rode reuzen waargenomen. De korte duur van deze observaties beperkt echter de frequentieresolutie, waardoor het afleiden van globale seismische parameters – specifiek de grote frequentiescheiding ($\Delta\nu$), de frequentie bij maximale kracht ($\nu_{\max}$) en de periodeafstand van dipolaire zwaartekrachtmodes ($\Delta\Pi_1$) – met traditionele methoden uitdagend is. Er is een dringende behoefte aan snelle, efficiënte en robuuste methoden om deze enorme dataset te analyseren, zodat uniforme galactische archeologie mogelijk wordt.

Methodologie
De auteurs ontwikkelden methoden op basis van diep leren om asteroseismische parameters direct af te leiden uit Power Spectral Density (PSD)-profielen, zonder dat achtergrondfitting of handmatige mode-identificatie nodig is.

• Data Voorbereiding:

  • TESS Data: Gebruik gemaakt van ontrendde lichtkrommen uit de TASOC-pijplijn voor 30.720 rode reuzen.
  • K2 Data: Gebruik gemaakt van ontrendde lichtkrommen uit de K2SFF-pijplijn voor 18.560 rode reuzen.
  • Trainingssets:
    • TESS Model: Getraind op één-maands segmenten van Kepler- en K2-lichtkrommen (om de TESS-duur te simuleren) om $\nu_{\max}$ en $\Delta\nu$ te voorspellen. Deze benadering maakt gebruik van empirische relaties tussen granulatie en oscillatie-amplitudes die in echte data zijn gevonden, wat voor deze specifieke taak beter presteerde dan training met synthetische data.
    • K2 Modellen: Getraind op synthetische datasets gegenereerd met een simulator op basis van asymptotische theorie (Benomar 2023) om $\nu_{\max}$, $\Delta\nu$, $\Delta\Pi_1$ en de koppelingsfactor $q$ te voorspellen. Er werden twee distincte modellen gemaakt: Model-1 voor het volledige $\Delta\nu$-bereik (1–19 $\mu$Hz) en Model-2 voor een beperkt bereik (9–19 $\mu$Hz) om beter jongere rode reuzen te kunnen behandelen, waar de afleiding van $\Delta\Pi_1$ haalbaarder is.

• Architectuur en Training:

  • De modellen maken gebruik van een Residual Network (ResNet)-architectuur, gekozen vanwege het vermogen om multi-schaal kenmerken in PSD's te vangen en het probleem van verdwijnende gradiënten te mitigeren.
  • Het regressieprobleem werd herformuleerd als een classificatietaken. Continue parameterbereiken werden gediskretiseerd in bins, en de netwerken gaven kansverdelingen over deze bins uit. Dit maakt het mogelijk om benaderingen van Bayesiaanse posterieuren te herstellen, wat onzekerheidsschattingen biedt en omgaat met multimodale verdelingen (vaak voorkomend bij $\Delta\Pi_1$).
  • Hyperparameters, waaronder kernelgroottes en dropout-rates, werden fijn afgestemd om modelcomplexiteit in evenwicht te brengen met risico's van overfitting, met name voor het data-schaarse TESS-domein.

Belangrijkste Bijdragen

1. Ontwikkeling van Gespecialiseerde Deep Learning-modellen: Het creëren van een TESS-model voor één-maands data en K2-modellen voor drie-maands data, die in staat zijn om $\nu_{\max}$, $\Delta\nu$ en $\Delta\Pi_1$ direct af te leiden uit PSD's.
2. Waarschijnlijkheidsgebaseerd Afleidingskader: Door de output te behandelen als een kansverdeling over gebinde parameters, biedt de methode niet alleen puntsschattingen, maar ook gekalibreerde onzekerheidsmaten en het vermogen om multimodale oplossingen te detecteren.
3. Validatie tegen Klassieke Methoden: Rigoureuze vergelijking van modeloutput met referentiewaarden uit Kepler (4-jaar data) en K2 GAP DR3, evenals MCMC-posterieuren, wat aantoont dat de ML-benadering Bayesiaanse posterieuren effectief kan benaderen.
4. Nieuwe Catalogus van Afleidingen: De toepassing van deze modellen op grote observationele datasets, resulterend in een nieuwe catalogus met betrouwbare seismische parameters voor TESS- en K2-rode reuzen.

Resultaten

• Prestaties TESS Model:

  • Op een testset van één-maands Kepler/K2-segmenten behaalde het model betrouwbare $\nu_{\max}$-voorspellingen (onzekerheid < 20%) voor ~95% van de samples en betrouwbare $\Delta\nu$-voorspellingen (onzekerheid < 10%) voor ~80% van de samples.
  • Toegepast op 30.720 TESS-rode reuzen leverde het model betrouwbare $\nu_{\max}$ voor ~55% (17.374 sterren) en betrouwbare $\Delta\nu$ voor ~23% (7.001 sterren). De lagere opbrengst voor $\Delta\nu$ in TESS-data wordt toegeschreven aan lagere oscillatie-amplitudes in het TESS-passband en ruimteschepsystematiek die niet aanwezig was in de trainingsdata.
  • Het model toonde aan dat $\Delta\nu$ wordt afgeleid op basis van onderliggende frequentiescheidingspatronen in plaats van simpelweg te vertrouwen op de $\Delta\nu$–$\nu_{\max}$ schaalrelatie.

• Prestaties K2 Model:

  • Model-1 ($\nu_{\max}, \Delta\nu$): Toonde sterke overeenstemming met K2 GAP DR3, waarbij 92% van de $\nu_{\max}$- en 95% van de $\Delta\nu$-afleidingen binnen de gespecificeerde relatieve foutgrenzen vielen.
  • Model-2 ($\Delta\Pi_1$): Geverifieerd op drie-maands Kepler-segmenten tegenover 4-jaar Kepler-resultaten (Kuszlewicz et al. 2023). Voor een subset van 191 sterren toonde 98% relatieve fouten < 2%.
  • Toegepast op 2.176 K2-rode reuzen met $\Delta\nu > 9$ $\mu$Hz, produceerde het model betrouwbare $\Delta\Pi_1$-afleidingen voor 217 sterren. Van deze sterren volgen 209 de goed gevestigde $\Delta\nu$–$\Delta\Pi_1$-degeneratievolgorde.

• Kalibratie van Onzekerheid: De empirische 1$\sigma$-fracties voor betrouwbare subsets varieerden doorgaans van 0,63 tot 0,80, wat aangeeft dat de gerapporteerde onzekerheden over het algemeen goed gekalibreerd of licht conservatief zijn.

Betekenis
Het artikel toont aan dat diep leren asteroseismische parameters effectief kan extraheren uit observaties met korte duur, waar traditionele methoden worstelen door beperkte frequentieresolutie. Door succesvol $\Delta\Pi_1$ af te leiden uit drie-maands K2-data en $\Delta\nu$ uit één-maands TESS-data, maakt dit werk het mogelijk om sterpopulaties in de Melkweg te bestuderen met een uniformiteit die eerder onbereikbaar was. De auteurs merken op dat hoewel de opbrengst aan betrouwbare parameters lager is voor TESS dan voor Kepler vanwege observationele beperkingen, de methode een robuuste, schaalbare pijplijn biedt voor het analyseren van de honderdduizenden rode reuzen die door TESS zijn waargenomen. De resulterende catalogi van $\nu_{\max}$, $\Delta\nu$ en $\Delta\Pi_1$ dienen als fundament voor galactische archeologie en het bestuderen van sterrenontwikkeling, met name voor jonge rode reuzen waarbij periodeafstanden van gemengde modes cruciaal zijn.