Detailansicht
DeNSe: a deep semi-analytic clustering approach for identifying nearby stellar populations in Gaia DR3
Nora Wagner
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Joao Alves
Mitbetreuer*in
Sebastian Ratzenböck
DOI
10.25365/thesis.82187
URN
urn:nbn:at:at-ubw:1-11571.49984.630272-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Sterne entstehen in Gruppen, die zu Beginn ähnliche Positionen und Geschwindigkeiten aufweisen. Im Laufe der Zeit lösen sich viele dieser Systeme auf und vermischen sich mit der Feldpopulation der Milchstraße, sodass nur noch indirekte Spuren ihres gemeinsamen Ursprungs erhalten bleiben. Die Identifikation solcher gleichaltriger Sternassoziationen ist entscheidend, um die jüngere Sternentstehungsgeschichte in der Umgebung der Sonne zu rekonstruieren. Mithilfe dichtebasierter Clustering-Algorithmen, die auf die präzisen fünfdimensionalen astrometrischen Daten der Gaia-Mission angewendet werden, konnten bereits Tausende neuer Gruppen entdeckt werden. Im unmittelbaren solaren Umfeld führen jedoch starke Projektionseffekte dazu, dass Überdichten in der Tangentialgeschwindigkeit weitgehend verloren gehen. Eine Clusteranalyse im sechsdimensionalen galaktischen kartesischen Phasenraum könnte dieses Problem umgehen, erfordert allerdings Radialgeschwindigkeiten, die nur für einen Bruchteil der Gaia-Sterne vorliegen. In dieser Arbeit wird DeNSe (Deep Semi-analytic Embedding of the Nearby Stellar Environment) vorgestellt, ein semi-analytisches neuronales Netz, das aus Gaia-ähnlicher Astrometrie mit fehlenden Radialgeschwindigkeiten eine annähernde Darstellung im 6D-Phasenraum (XYZUVW) lernt. Ein neuronaler Encoder bildet die 5D-Observablen auf einen latenten Raum ab, der als galaktischer kartesischer Phasenraum interpretiert wird, während ein analytischer Decoder die exakten Koordinatentransformationen zurück zu Astrometrie und Radialgeschwindigkeit ausführt. Das Modell wird so trainiert, dass es die Observablen rekonstruiert und relative Geschwindigkeiten zwischen Sternen bewahrt und damit die fehlende Radialgeschwindigkeit effektiv erschließt. DeNSe wird an zwei synthetischen, Gaia-ähnlichen Datensätzen mit mehreren in einen gleichförmigen Hintergrund eingebetteten Gruppen getestet. Für ein einfacheres Szenario rekonstruiert das Modell Positionen mit Unterparsec-Genauigkeit und Geschwindigkeiten mit Fehlern von nur wenigen km s−1. Ein anschließendes HDBSCAN-Clustering im latenten Raum findet alle ursprünglichen Cluster mit einem NMI (Normalized Mutual Information) von 1.0 und erreicht damit dieselbe Qualität wie ein Clustering im wahren 6D-Phasenraum, während eine direkte Anwendung von HDBSCAN in den 5D-Observablen deutlich schlechter abschneidet. Für einen komplexeren Datensatz mit ausgedehnten, teilweise überlappenden Strukturen erzielt DeNSe NMI-Werte von ∼ 0.6–0.68 und verdoppelt damit ungefähr die Resultate eines 5D-basierten Clusterings. Insgesamt zeigen die Ergebnisse, dass semi-analytische neuronale Ansätze wie DeNSe informative Phasenraum-Einbettungen liefern und die Detektion naher stellarer Assoziationen deutlich verbessern können, selbst wenn Radialgeschwindigkeiten nur lückenhaft vorliegen.
Abstract
(Englisch)
Stars form in clustered environments, sharing similar initial positions and velocities. As these systems evolve, many dissolve into the Galactic field, erasing most direct evidence of their common origin. Recovering such coeval groups is essential for reconstructing recent star formation history. The Gaia mission has enabled the discovery of thousands of new clusters by applying density-based algorithms to the five-parameter astrometry, but in the immediate Solar neighborhood strong projection effects blur tangential-velocity overdensities. Clustering in six-dimensional Galactic Cartesian phase space would avoid this problem, yet the transformation requires radial velocities, which are only available for a minority of Gaia sources. This thesis introduces DeNSe (Deep Semi-analytic Embedding of the Nearby Stellar Environment), a semi-analytic neural network model that learns an approximate 6D Galactic Cartesian representation from Gaia-like astrometry with missing radial velocities. A neural encoder maps the 5D observables to a latent space interpreted as (XYZUVW), while an analytic decoder performs the exact coordinate transformations back to astrometric quantities and radial velocity. The model is trained to reconstruct the observables and preserve relative velocities, effectively inferring the missing line-of-sight components. DeNSe is evaluated on two synthetic Gaia-like data sets with several clusters embedded in a uniform background. For a simpler configuration, it recovers positions and velocities with sub-parsec and few km s−1 accuracy, and latent-space HDBSCAN clustering retrieves all input groups with a normalized mutual information (NMI) of 1.0, matching clustering in the true 6D space and outperforming 5D baselines. For a more complex sample with more dispersed, overlapping structures, DeNSe still reaches NMI values of ∼ 0.6–0.68, roughly doubling the 5D score. These results show that semi-analytic neural methods such as DeNSe can recover informative phase-space embeddings and significantly improve the detection of nearby stellar associations, even when radial velocities are largely unavailable.
Schlagwörter
Schlagwörter
(Deutsch)
Deep Learning Junge Sternassoziationen Gaia HDBSCAN Dichtebasiertes Clustering
Schlagwörter
(Englisch)
Star Clusters Gaia Deep Learning Density-Based Clustering HDBSCAN
Autor*innen
Nora Wagner 
Haupttitel (Englisch)
DeNSe: a deep semi-analytic clustering approach for identifying nearby stellar populations in Gaia DR3
Publikationsjahr
2025
Umfangsangabe
xiii, 88 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Joao Alves
Klassifikationen
39 Astronomie > 39.40 Sternsysteme. Sterne ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17771903
Utheses ID
79050
Studienkennzahl
UA | 066 | 910 | |