《Astronomy and Computing》：BATEIA-1: An Approach for determining the structural parameters of open star clusters via machine and deep learning
编辑推荐：
Dener Cesar Mendes | Valdivino Alexandre Santiago Júnior | Mateus de Souza Angelo摘要银河系中的疏散星团（OCs）是由同一分子云中的恒星通过引力作用聚集而成的星群。由于这些星团在年龄、金属含量、形态和
Dener Cesar Mendes | Valdivino Alexandre Santiago Júnior | Mateus de Souza Angelo
摘要
银河系中的疏散星团（OCs）是由同一分子云中的恒星通过引力作用聚集而成的星群。由于这些星团在年龄、金属含量、形态和银河系位置上存在多样性，它们成为研究恒星演化和银河系结构的重要工具。目前确定其结构参数的方法通常依赖于将分析得到的径向密度分布模型与观测数据通过试错法（如马尔可夫链蒙特卡洛算法MCMC和最大似然泊松回归）进行拟合，但这些方法需要大量的参数空间探索。然而，根据收敛标准的不同，这些方法可能会陷入局部最小值，从而导致次优的解决方案。本文旨在利用人工智能来确定疏散星团的结构参数，提供一种更高效且可扩展的方法。用于估计星团参数的平衡人工智能方法（BATEIA-1）是一种结合了机器学习（ML）和深度学习技术的策略。该方法将分析得到的King分布模型与基于盖亚DR3星表的天文和光度数据训练出的ML模型相结合，能够计算出星团的中心密度、核心半径、潮汐半径以及背景密度等参数，从而实现星团结构特征的自动化分析。通过九种深度神经网络（DNN）模型从天体图像中提取特征，并结合两种传统的ML技术（多层感知器回归器和支持向量回归器），我们的研究结果表明BATEIA-1在预测疏散星团结构参数方面表现优异。与文献中的基准数据相比，对于M67、NGC 188和NGC 6811星团，潮汐半径的预测误差范围在0.7%到12.8%之间；核心半径和中心密度的误差范围分别在1.1%到5.5%以及1.1%到8.7%之间。最后，我们使用了可解释人工智能（XAI）技术（Score-CAM和Ablation-CAM）来阐明DNN模型的决策过程。
