AI dan Masalah-Masalah Sulit Dunia · Astronomi & antariksa · arXiv · 2026-10-21
J-PLUS: Mengidentifikasi Distribusi Energi Spektral Pencilan pada Rilis Data Keempat Menggunakan Pembelajaran Mesin Tanpa Pengawasan
Judul asli: J-PLUS: Identifying Outlier Spectral Energy Distributions in the Fourth Data Release Using Unsupervised Machine Learning
Pemilihan kandidat dari populasi bintang yang langka atau kurang terwakili, serta objek-objek baru, penting untuk tindak lanjut spektroskopik, sehingga para penulis menerapkan teknik deteksi anomali berbasis autoencoder pada data fotometrik dua belas pita dari J-PLUS untuk mengidentifikasi distribusi energi spektral yang menyimpang dari pola dominan. Mereka kemudian menerapkan t-SNE pada warna-warna populasi pencilan dan mengklasifikasikan pencilan tersebut dengan menggabungkan informasi dari basis data SIMBAD dan survei astronomi lainnya, mengkarakterisasi pulau-pulau yang terdefinisi dengan baik di peta t-SNE yang sesuai dengan populasi tertentu. Studi ini mengidentifikasi sampel besar katai putih dan bintang bermassa rendah, termasuk subkumpulan kecil katai putih yang terpolusi, dan melaporkan kandidat potensial untuk tindak lanjut spektroskopik: 19 bintang kaya karbon, 11 variabel kataklismik, dan 170 biner katai putih-deret utama, yang semuanya belum dilaporkan sebelumnya dalam literatur.