Proyecto Hefesto – II. Candidatos a esferas de Dyson de Gaia DR3, 2MASS y WISE
ABSTRACTO
La búsqueda de inteligencia extraterrestre se lleva a cabo actualmente utilizando múltiples técnicas y en diferentes bandas de longitud de onda. Las esferas de Dyson, megaestructuras que podrían ser construidas por civilizaciones avanzadas para aprovechar la energía de la radiación de sus estrellas anfitrionas, representan una tecnofirma potencial, que en principio puede estar oculta en datos públicos ya recopilados como parte de grandes estudios astronómicos. En este estudio, presentamos una búsqueda exhaustiva de esferas de Dyson parciales mediante el análisis de observaciones ópticas e infrarrojas de Gaia , 2MASS y WISE . Desarrollamos una tubería que emplea múltiples filtros para identificar candidatos potenciales y rechazar intrusos en una muestra de cinco millones de objetos, que incorpora una red neuronal convolucional para ayudar a identificar la confusión en los datos de WISE . Finalmente, la tubería identifica siete candidatos que merecen un análisis más profundo. Todos estos objetos son enanas M, para las cuales los fenómenos astrofísicos no pueden explicar fácilmente el exceso de emisión infrarroja observado.
1 INTRODUCCIÓN
A principios de los años 60, Dyson ( 1960 ) propuso una metodología innovadora para buscar señales de vida extraterrestre. Supuso que las civilizaciones muy avanzadas, en la búsqueda de más recursos energéticos, construirían una estructura artificial que absorbiera la luz alrededor de su estrella anfitriona. Esta estructura hipotética, posteriormente denominada «esfera de Dyson» (ED), les permitiría cosechar energía en forma de luz estelar. La cosecha de luz estelar podría, en principio, dar lugar a diferentes firmas observacionales que podrían detectarse utilizando los telescopios existentes. Estas firmas incluyen el oscurecimiento óptico de la estrella anfitriona debido a la oscurecimiento directo y la emisión de calor residual de la estructura absorbente (p. ej., Dyson 1960 ; Wright et al. 2016 ; Wright 2020 ). En consecuencia, la búsqueda de balizas infrarrojas anómalas en el cielo se ha convertido en una alternativa a las búsquedas tradicionales basadas en la comunicación para civilizaciones tecnológicamente avanzadas. Una de las ventajas de las búsquedas basadas en firmas «disonianas» es que no dependen de la voluntad de otras civilizaciones de contactarnos.
Anteriormente se han llevado a cabo varios proyectos de observación para detectar DS individuales (p. ej., Slysh 1985 ; Jugaku y Nishimura 1991 ; Timofeev, Kardashev y Promyslov 2000 ; Jugaku y Nishimura 2004 ; Carrigan 2009 ; Zackrisson et al. 2018 ) y para el uso a gran escala de tecnología similar a distancias extragalácticas (Annis 1999 ; Wright et al. 2014a , b ; Garrett 2015 ; Griffith et al. 2015 ; Zackrisson et al. 2015 ; Lacki 2016 ; Olson 2017 ; Chen y Garrett 2021 ). Sin embargo, ninguna de estas búsquedas ha revelado candidatos sólidos para la tecnología disoniana.
La mayoría de los esfuerzos de búsqueda han tenido como objetivo DSs completos individuales, empleando fotometría de infrarrojo lejano (FIR) (por ejemplo, Slysh 1985 ; Jugaku y Nishimura 1991 ; Timofeev et al. 2000 ; Carrigan 2009 ) del Satélite Astronómico Infrarrojo (IRAS; Neugebauer et al. 1984 ), mientras que unos pocos consideraron DSs parciales (por ejemplo, Jugaku y Nishimura 2004 ). IRAS escaneó el cielo en el FIR, proporcionando datos de ≈2,5 × 10 5 fuentes puntuales. Sin embargo, hoy en día, dependemos de estudios fotométricos que cubren longitudes de onda ópticas, de infrarrojo cercano (NIR) e infrarrojo medio (MIR) que alcanzan recuentos de objetos de hasta ∼10 9 objetivos y permiten programas de búsqueda más grandes.
En el contexto del Proyecto Hephaistos , 1 en Suazo et al. ( 2022 ) establecimos límites superiores en la prevalencia de DSs parciales en la Vía Láctea analizando la fracción de fuentes de Gaia DR2 y el Wide-field Infrared Survey Explorer ( WISE ) que exhiben exceso infrarrojo. En total, se analizaron más de 108 estrellas en ese trabajo. Los límites superiores exactos en la fracción de estrellas que pueden albergar DSs reportados por Suazo et al. ( 2022 ) son una función de la distancia, la fracción de cobertura y la temperatura de DS, pero llegan tan bajo como ∼1 en 100 000 objetos en la situación más restrictiva. Sin embargo, es probable que la fracción real sea mucho menor (y posiblemente 0 por ciento) ya que una serie de otros efectos, como la emisión de polvo y la mezcla de fuentes, también pueden dar lugar a flujos infrarrojos anómalos. Tenga en cuenta que Suazo et al. ( 2022 ) Los límites superiores se derivan de cortes de color en lugar de ajustar modelos DS a los datos, ya que el objetivo de ese artículo no era discutir la naturaleza de fuentes individuales de exceso de radiación infrarroja.
Este segundo artículo examina la fotometría de Gaia DR3, 2MASS y WISE de aproximadamente 5 millones de fuentes para crear un catálogo de posibles DS. Nos centramos en la búsqueda de DS parciales, que oscurecen parcialmente la luz estelar, la cual aún sería detectable dependiendo del grado de completitud del DS. Esta estructura emitiría calor residual en forma de radiación MIR que, además del grado de completitud de la estructura, dependería de su temperatura efectiva. Gaia DR3 proporciona, a diferencia de DR2, diversos parámetros astrofísicos derivados de los espectros BP/RP de baja resolución que pueden facilitar el rechazo de falsos positivos en la búsqueda de DS.
Gaia , 2MASS y WISE proporcionan datos fotométricos en el óptico, el infrarrojo cercano y el infrarrojo medio (MIR), respectivamente. Sin embargo , Gaia también proporciona distancias basadas en paralaje, lo que permite convertir las distribuciones espectrales de energía (SED) de los objetivos a una escala de luminosidad absoluta. Los datos de paralaje también permiten descartar otras fuentes puntuales de intensa radiación MIR, como los cuásares, pero no descartan estrellas con un cuásar en el fondo.
Dado que el exceso de emisión térmica en longitudes de onda MIR representa la principal señal de los DS, las búsquedas de estos objetos se intersecan naturalmente con las búsquedas centradas en fuentes de exceso MIR en general. El exceso de emisión en el infrarrojo es un valioso indicador del polvo circunestelar calentado por la luz estelar y reemitido a longitudes de onda más largas. El polvo circunestelar está presente en estructuras como las estrellas jóvenes (p. ej., Kennedy et al., 2012 ; Kennedy y Wyatt , 2013 ; Patel, Metchev y Heinze , 2014 ; Cotten y Song , 2016 ). Muchas búsquedas de fuentes de exceso infrarrojo han encontrado varias dificultades al usar datos de WISE/AllWISE, incluida la sobreestimación del flujo para fuentes cercanas al límite de saturación (Cutri et al. 2014 ), y la posible contaminación de estrellas compañeras o galaxias de fondo debido al gran ancho completo a la mitad del máximo (FWHM) de las funciones de dispersión de puntos de 12 y 22 μm (PSF; 6,5 y 12 segundos de arco, respectivamente; p. ej. Kennedy et al. 2012 ; Theissen y West 2017 ).
Se ha propuesto que los DSs y megaestructuras similares de recolección de radiación podrían construirse alrededor de una variedad de objetos de masa estelar, incluyendo enanas blancas (Semiz y Oğur 2015 ; Zuckerman 2022 ), púlsares (Osmanov 2016 , 2018 ) y agujeros negros (Hsiao et al. 2021 ). Aquí, limitamos la discusión a los DSs alrededor de estrellas de secuencia principal. Además, asumimos que la retroalimentación de los DSs a la estrella anfitriona puede ser descuidada, ya que esto se vuelve relevante solo cuando se trata de DSs pequeños, casi completos o con estructuras altamente internamente reflectantes. (Huston y Wright 2022 ).
En la Sección 2 , describimos nuestro método de búsqueda general. En la Sección 3 , presentamos las fuentes más prometedoras que surgieron de nuestro análisis, junto con un examen de los falsos positivos encontrados durante la búsqueda. En la Sección 4 , analizamos la probable naturaleza de algunos de estos candidatos a DS y cómo las futuras observaciones de seguimiento pueden ayudarnos a desentrañar su verdadera naturaleza. La Sección 5 resume nuestros resultados.
2 MÉTODOS
Este artículo utiliza datos de Gaia Data Release 3 (Gaia Collaboration 2016 , 2023 ), 2MASS (Skrutskie et al. 2006 ) y AllWISE (Cutri et al. 2014 ). Gaia DR3 proporciona paralajes y flujos en tres bandas ópticas ( G BP , G, G RP ), además de diversos parámetros astrofísicos derivados de los espectros BP/RP de baja resolución. 2MASS proporciona flujos NIR en los espectros J, H y K.
Se ha desarrollado un proceso especializado para identificar posibles candidatos a DS, centrándose en la detección de fuentes que presentan excesos infrarrojos anómalos que no pueden atribuirse a ninguna fuente natural conocida de dicha radiación. Es prácticamente imposible demostrar la existencia de un DS basándose únicamente en datos fotométricos, por lo que esta búsqueda puede considerarse una búsqueda estándar de fuentes con exceso infrarrojo, sesgada hacia excesos consistentes con DS, basándose en sus brillantes flujos MIR y en nuestros modelos de cómo debería ser la SED de los DS. La Fig. 1 ilustra una representación esquemática simple de este proceso .
Diagrama de flujo que ilustra nuestro proceso para encontrar candidatos para DS.
El proceso de identificación de candidatos para DS consta de varias etapas. Describiremos brevemente cada paso:
Recopilación de datos: Recopilamos datos de Gaia , 2MASS y AllWISE para fuentes dentro del 300 pc y detecciones en el 12 y 22
bandas m ( bandas W 3 y W 4 WISE ). Búsqueda en cuadrícula: se emplea un método de búsqueda en cuadrícula para determinar el modelo DS que mejor se ajusta a cada estrella, utilizando la fotometría combinada Gaia -2MASS-AllWISE.
Clasificación de imágenes: Para diferenciar posibles candidatos ubicados en regiones nebulares, se aplica un algoritmo basado en redes neuronales convolucionales (CNN) a las imágenes WISE para determinar si nuestras fuentes presentan características asociadas con dichas regiones. Las estrellas jóvenes oscurecidas por polvo o asociadas con nebulosas polvorientas aparecen como falsos positivos comunes en nuestra búsqueda. Por lo tanto, solo las imágenes que carecen de características nebulares pasan al siguiente paso.
Análisis adicional: este paso implica utilizar varias banderas Gaia - WISE para evaluar si las estrellas podrían exhibir un exceso infrarrojo de origen natural.
Relación señal-ruido (SNR): Muchas fuentes con baja relación señal-ruido (SNR en W 3 y W 4) pasan por alto todos los pasos anteriores. Por lo tanto, incluimos manualmente este paso, donde se rechazan todas las fuentes con una SNR inferior a 3,5 en las bandas W 3 y W 4.
Inspección visual: Inspeccionamos visualmente las imágenes ópticas, NIR y MIR de todas las fuentes para descartar fuentes problemáticas de radiación MIR. Las mezclas son el factor de confusión más común en este paso.
Estos pasos filtran las fuentes que no presentan las características deseadas de un DS. Cada paso se explica con más detalle en las siguientes secciones.
2.1 Recopilación de datos
Comenzamos nuestra búsqueda tomando una muestra de estrellas del catálogo Gaia DR3-2MASS-AllWISE. El cruce entre estos catálogos se realizó utilizando simultáneamente los catálogos allwise_best_neighbour, tmass_psc_xsc_best_neighbour y tmass_psc_xsc_join , proporcionados por el consorcio Gaia . Dentro de esta muestra, nos centramos en seleccionar estrellas ubicadas a una distancia de 300 parsecs (pc), con base en la distancia geométrica derivada en la Versión de Datos Temprana 3 (EDR3; Bailer-Jones et al. 2021 ). Optamos por utilizar las distancias EDR3 en lugar de las distancias Gaia DR3, ya que esta última se deriva de espectros BP/RP de baja resolución y, por lo tanto, no está disponible para la mayoría de las estrellas de la muestra.
Siguiendo los criterios mencionados, nuestra muestra inicial comprendió aproximadamente 5 millones de fuentes. Posteriormente, implementamos un criterio de selección adicional, exigiendo detecciones en los grupos 12 y 22.
2.2 Teoría y modelos
El siguiente paso en nuestro proceso consiste en determinar la similitud entre la fotometría de las estrellas del catálogo y la de estrellas hipotéticas de la secuencia principal que albergan DSs. Esta evaluación requiere comprender cómo cambia la fotometría de las estrellas al estar rodeadas por un DS, lo que implica dos efectos: la oscurecimiento de la estrella por el DS y la reemisión de la radiación absorbida por la estructura a longitudes de onda más largas. Para predecir las características observacionales de un sistema compuesto por una estrella y un DS (DS), empleamos el modelo presentado en Suazo et al. ( 2022 ). Este modelo incorpora los flujos fotométricos esperados de un DS en la fotometría de las estrellas observadas de la secuencia principal para simular el sistema combinado. En términos simples, la fotometría de una estrella se modifica según la siguiente ecuación:
Donde M DS representa la magnitud de la DS, y M ⋆ corresponde a la magnitud de la estrella después de ser ocultada por la DS. Es importante destacar que esta fórmula se aplica tanto a escalas aparentes como absolutas y puede utilizarse en diversos sistemas de magnitudes.
Para determinar M DS , modelamos el espectro del DS como un cuerpo negro. Además, asumimos que los DS se comportan como absorbentes grises. Bajo estos supuestos, el modelo estrella + DS depende de dos parámetros libres: el factor de cobertura (γ) y la temperatura efectiva del DS (
Donde L DS es la luminosidad del DS y L ⋆ es la luminosidad de la estrella que alberga el DS antes de ser oscurecida. Según esta definición, γ solo puede ser un número positivo menor o igual a 1. En el caso de una estrella con radiación isótropa, γ también representa el ángulo sólido fraccional de la radiación saliente interceptada por el DS (el factor de cobertura) o el nivel de completitud del DS si asumimos que la estructura es casi esférica. Con toda esta información, podemos determinar la magnitud de la estrella cuando es oscurecida por el DS mediante la siguiente ecuación:
donde M ⋆, O es la magnitud de la estrella antes de ser oscurecida. En la práctica, tomamos los valores de M ⋆, O de estrellas de la secuencia principal en la fotometría Gaia -2MASS-AllWISE, como se describe a continuación.
En resumen, las ecuaciones ( 1 ) y ( 3 ) proporcionan un marco para comprender los cambios en la magnitud de una estrella si albergara un disco de escombros de cuerpo negro. Estas ecuaciones describen la transformación de la magnitud original M ⋆, O a la magnitud modificada M al considerar un disco de escombros con una temperatura dada T DS y un factor de cobertura γ. También asumimos que los discos de escombros se forman lenta y uniformemente en todas partes, con el mismo factor de cobertura (γ) en todas las direcciones, sin fragmentos lo suficientemente grandes como para causar variabilidad estelar (véase la Sección 2.5.2) . Una característica interesante de este modelo es que es idéntico a los modelos de discos de escombros de cuerpo negro ópticamente delgados, donde el factor de cobertura γ se asemeja a la luminosidad fraccional (L
Fotometría modificada de una estrella similar al Sol en las bandas de Gaia - WISE -2MASS debido a la presencia de varios DSs. Las magnitudes absolutas sin modificar de la estrella similar al Sol (
Aunque la temperatura del DS es un parámetro libre, limitamos nuestra búsqueda a temperaturas de DS que van desde 100 a 700 K para alinearnos con las capacidades de detección infrarroja de WISE . Además, consideramos factores de cobertura iguales o mayores a 0,1, ya que este umbral asegura un exceso de infrarrojo significativo para la detección, como lo muestran Suazo et al. ( 2022 ). En total, generamos 220 745 modelos de DS simulando cómo cambiaría la fotometría Gaia -2MASS- WISE de 265 estrellas de secuencia principal en presencia de DS según los modelos presentados. Seleccionamos estrellas de secuencia principal con valores de M G que van desde 0 a 13,6 (temperaturas estelares efectivas de ∼2800 a 12 500 K) y nos aseguramos de que sean estrellas de secuencia principal como se explica en el Apéndice A. También nos aseguramos de que estas estrellas ya no posean ningún exceso de MIR.
2.3 Búsqueda en cuadrícula
Tras generar los 220 745 modelos, procedimos a comparar la fotometría de todas las estrellas restantes de la secuencia principal de la Sección 2.1 con estos modelos. Esto implica realizar una búsqueda en cuadrícula para encontrar el modelo que mejor se ajuste a cada una de las 320 000 fuentes. La selección del modelo que mejor se ajusta a cada estrella se basó en minimizar el error cuadrático medio (RMSE) entre los datos observados y las predicciones del modelo.
Siguiendo la búsqueda de los mejores modelos, filtramos todas las estrellas cuyo mejor modelo produjo un RMSE mayor a 0.2 mag. Esta selección es bastante simple y no considera el error medido ya que, de lo contrario, priorizaría mejores ajustes en el óptico en lugar de en el MIR, donde reside la información del exceso infrarrojo en este trabajo. La selección de este umbral es un parámetro libre. Aun así, elegimos que fuera 0.2 mag para reducir la muestra de candidatos potenciales a un número razonable que potencialmente podríamos intentar seguir con observaciones adicionales en una escala de tiempo razonable. Además, la selección de este umbral está motivada por la comparación de nuestros modelos con Vioque et al. ( 2020 ) pre-secuencia principal, estrellas Be clásicas y fuentes que se han propuesto como candidatas de estas dos categorías con base en diferentes características (fotometría, variabilidad óptica, etc.), pero que aún no se han confirmado. Evaluamos qué valor de umbral RMSE es razonable comparando nuestros modelos con la fotometría de las estrellas presentadas en este catálogo. Dado que se sabe que las estrellas pre-secuencia principal y las estrellas Be clásicas son fuentes significativas de emisión MIR y, por lo tanto, representan posibles intrusos en nuestra búsqueda, la mayoría de las estrellas del catálogo de Vioque et al. ( 2020 ) que examinamos mostraron un RMSE superior a 0,2 mag en comparación con nuestros modelos, por lo que utilizamos este umbral como criterio de bondad de ajuste para seleccionar posibles candidatas. Encontramos aproximadamente 11 000 fuentes cuyo mejor ajuste se basa en un RMSE inferior a 0,2.
Tras filtrar las estrellas según el criterio RMSE, procedimos a clasificar las fuentes restantes mediante una red neuronal. Esta clasificación tenía como objetivo distinguir si las fuentes se ubicaban en regiones nebulares. Las nebulosas pueden generar características similares a las hipotéticamente producidas por un DS, de ahí el desarrollo de este algoritmo.
2.4 Clasificación de imágenes
Al seleccionar candidatos usando un RMSE como nuestra métrica de bondad de ajuste, encontramos que las estrellas jóvenes oscurecidas por polvo o las estrellas asociadas de otra manera con nebulosas prominentes aparecen como falsos positivos comunes. Las búsquedas anteriores de fuentes infrarrojas (por ejemplo, Kennedy et al. 2012 ; Ribas et al. 2012 ) encontraron problemas de contaminación debido a la presencia de fuentes en primer plano o cercanas, que pueden causar grandes cambios en el fotocentro en todas las bandas de WISE y/o una morfología extendida. Todos estos fenómenos pueden producir firmas fotométricas que se asemejan a las de nuestros modelos. Para reducir el número de intrusos en forma de estrellas jóvenes oscurecidas en nuestra muestra, desarrollamos un algoritmo para clasificar si las estrellas se encuentran o no en áreas nebulares en función de sus imágenes WISE . Este algoritmo utiliza imágenes W 3 normalizadas como entrada y tiene como objetivo clasificar las estrellas en función de si residen en regiones nebulares. La arquitectura CNN empleada en este trabajo se presenta en la Tabla 1 y se desarrolló utilizando la biblioteca pytorch (Paszke et al. 2019 ).
Arquitectura de red neuronal convolucional.
| Capa | Parámetros de capa | Tamaño de salida |
|---|---|---|
| Aporte | 420 × 420 × 1 | |
| Convolución a, b | 3 × 3, 6 | 418 × 418 × 6 |
| Agrupación máxima | 2 × 2, Zancada 2 | 209 × 209 × 6 |
| Convolución a, b | 3 × 3, 12 | 207 × 207 × 12 |
| Agrupación máxima | 2 × 2, Zancada 2 | 103 × 103 × 12 |
| Convolución a, b | 3 × 3, 32 | 101 × 101 × 32 |
| Agrupación máxima | 2 × 2, Zancada 2 | 50 × 50 × 32 |
| Convolución a, b | 3 × 3, 64 | 48 × 48 × 64 |
| Agrupación máxima | 2 × 2, Zancada 2 | 24 × 24 × 64 |
| Convolución a, b | 3 × 3, 128 | 22 × 22 × 128 |
| Aplanar | 61 952 | |
| Red completamente conectada | ||
| Primera capa oculta a, b, c | 61 952 × 256 | 256 |
| Segunda capa oculta a, b, c | 256 × 256 | 256 |
| Tercera capa oculta a, b, c | 256 × 256 | 256 |
| Máxima suavidad | 256 × 2 | 2 |
Nota . Se aplica una normalización por lotes.
b Se aplica la función de activación ReLU.
c Se aplicó una regularización por deserción.
Las imágenes de entrada de nuestro algoritmo se estandarizaron a 420 × 420 píxeles, y cada píxel representa un cuadrado de 1,375 arcsec de lado. Esto corresponde a una imagen cuadrada de 9,625 arcmin de lado. Luego, clasificamos 960 imágenes mediante inspección ocular; la mitad de ellas representa imágenes de estrellas incrustadas en nebulosas y la otra mitad casos no nebulosos. En la Fig. 3 , proporcionamos ejemplos de dos imágenes clasificadas como nebulosas y no nebulosas. Dividimos nuestra muestra en los subconjuntos de entrenamiento, validación y prueba. Todos los subconjuntos se construyeron seleccionando imágenes aleatorias de nuestra muestra. Los conjuntos de entrenamiento, validación y prueba se muestrearon aleatoriamente y se dividieron en 70 %, 15 % y 15 % del conjunto total de datos, respectivamente.
Dos imágenes ejemplifican la apariencia de cada categoría: nebulosa en el panel izquierdo y no nebulosa en el derecho. Ambas imágenes están normalizadas. Cada imagen corresponde a una región cuadrada del cielo con un lado de 9,625 minutos de arco.
No incluimos las bandas W 1 ni W 2, ya que las características nebulares polvorientas no suelen ser detectables en estas bandas. También omitimos las imágenes W 4, ya que suelen ser de menor calidad y no aportan mucha información adicional en comparación con W 3.
La arquitectura CNN específica utilizada en este trabajo se presenta en la Tabla 1. Para las capas convolucionales, los parámetros que se muestran en la Tabla 1 son las dimensiones del filtro y el número de canales de salida. No se aplicó relleno a ninguna de las capas convolucionales. Además, a todas las capas convolucionales y completamente conectadas, se les aplicó una función de activación de unidad lineal rectificada (ReLU; Nair y Hinton 2010 ), excepto para la última capa completamente conectada, que utilizó una función softmax en su lugar. Además, 'normalizamos por lotes' (Ioffe y Szegedy 2015 ) cada capa después de la convolución. La salida de la última capa convolucional se aplana para alimentar las capas completamente conectadas. Además, aplicamos una regularización de abandono después de cada capa en la red completamente conectada (Hinton et al. 2012 ). Buscamos el mínimo de la función de pérdida utilizando el algoritmo Adam (Kingma y Ba 2014 ). La red se entrenó utilizando lotes de 64 imágenes.
Para optimizar el rendimiento de nuestro clasificador, realizamos una búsqueda de hiperparámetros muestreando aleatoriamente 79 de las 5184 combinaciones posibles de los parámetros enumerados en la Tabla 2. Los parámetros que se ajustaron incluyen la tasa de aprendizaje, los parámetros beta (β 1 y β 2 ) del algoritmo Adam, la probabilidad de abandono ( p ), el número de neuronas en la red completamente conectada y el tamaño del kernel en las matrices convolucionales.
Valores de búsqueda aleatorios de hiperparámetros.
| Hiperparámetro | Valores de búsqueda aleatorios |
|---|---|
| Tasa de aprendizaje | 10 −3 , 5· 10 −4 , 10 −4 , 5· 10 −5 |
| Parámetros de regularización (β 1 , β 2 ) | 0, 0,3, 0,5, 0,7, 0,9, 0,99 |
| Probabilidad de abandono p | 0, 0,2, 0,4, 0,6 |
| Número de neuronas | 32, 128, 256 |
| Tamaño del kernel | 3, 5, 7 |
La tasa de aprendizaje controla la magnitud de las actualizaciones de peso durante el entrenamiento, mientras que los parámetros beta β 1 y β 2 son tasas de decaimiento utilizadas para estimar los momentos del gradiente para encontrar el mínimo global de la función de pérdida. La probabilidad de abandono p determina la probabilidad de anular una neurona en una capa para evitar el sobreajuste. El número de neuronas en la red completamente conectada determina el número de unidades en cada capa oculta. Es importante destacar que la tasa de aprendizaje y los parámetros beta están relacionados con el proceso de entrenamiento, mientras que la probabilidad de abandono y el número de neuronas por capa oculta son parámetros de diseño de la arquitectura.
Entrenamos nueve redes para cada combinación de hiperparámetros con diferentes pesos aleatorios iniciales. Los pesos iniciales se extrajeron de la distribución uniforme que PyTorch implementó para inicializar los pesos. Además, cada red se entrenó durante 35 épocas. Tras evaluar 79 combinaciones aleatorias de hiperparámetros, encontramos varias combinaciones que arrojaron precisiones de aproximadamente el 93 % en el conjunto de validación. Se identificó una familia de redes neuronales con características y rendimientos similares, cuyos hiperparámetros específicos y su rendimiento se muestran en la Tabla 3. Las precisiones se reportan en el conjunto de prueba.
La mejor combinación de hiperparámetros.
| Etiqueta | Aprendiendo | β1 | β2 | Abandonar | Número | Núcleo | Promedio | Estándar |
|---|---|---|---|---|---|---|---|---|
| experimento | tasa | probabilidad | de neuronas | tamaño | exactitud | precisión de desviación | ||
| A | 5 × 10 −4 | 0.5 | 0.9 | 0.6 | 256 | 3 | 0.916 | 0.031 |
| B | 10 −4 | 0.5 | 0.5 | 0.6 | 128 | 3 | 0.913 | 0.017 |
| do | 10 −4 | 0.5 | 0.9 | 0.6 | 128 | 3 | 0.915 | 0.029 |
| D | 5 × 10 −4 | 0.5 | 0.9 | 0.6 | 128 | 3 | 0.908 | 0.020 |
| mi | 10 −4 | 0.5 | 0.5 | 0.6 | 256 | 3 | 0.906 | 0.034 |
| F | 5 × 10 −4 | 0.5 | 0.5 | 0.6 | 256 | 3 | 0.930 | 0.016 |
De la familia de redes neuronales con rendimientos similares, seleccionamos la arquitectura que logró la mayor precisión media y la menor desviación estándar. En este caso, corresponde al experimento F de la Tabla 3. Además, en la Fig. 4 , mostramos la matriz de confusión del conjunto de prueba en la mejor ejecución para esta arquitectura. La precisión es de 0,95, la recuperación es de 0,975 en la clase no nebular y la precisión es de 0,93 en la clase no nebular.
Matriz de confusión normalizada para el conjunto de prueba utilizando la arquitectura que ofrece los mejores resultados. El conjunto de prueba contiene 144 elementos.
Utilizando la CNN entrenada, procedimos a clasificar si las estrellas se encuentran o no en la región nebular. Encontramos que 5732 fuentes aparecen como fuentes en regiones no nebulares según nuestro clasificador.
2.5 Análisis adicional
En las siguientes subsecciones, presentamos criterios y cortes adicionales para refinar y validar nuestra selección de candidatos a DS entre las fuentes que presentan un exceso de infrarrojo. Estos criterios nos ayudan a descartar falsos positivos y a centrarnos en los candidatos más prometedores.
2.5.1 Emisión de H α
La emisión de fotones H α es una señal importante de las estrellas jóvenes, especialmente durante episodios de acreción intensa. Cuando una protoestrella joven se calienta, ioniza el disco de acreción circundante, dominado por hidrógeno, que termina emitiendo fotones H α (Barrado y Navascués y Martín, 2003 ).
En Gaia DR3, el ancho pseudo-equivalente (EW) de H α se proporciona como uno de los nuevos productos (Creevey et al. 2023 ; Fouesneau et al. 2023 ), y se convierte en uno de los parámetros más importantes para eliminar intrusos. Así como la variabilidad óptica es un rasgo característico de las estrellas pre-secuencia principal, la emisión de fotones H α debido a la excitación de hidrógeno durante el proceso de acreción es otra firma significativa. Para filtrar falsos positivos, las fuentes con EW de H α menores que cero (a 3σ) se rechazan, es decir, las fuentes con H α en emisión detectadas con un 99.7 por ciento de confianza.
2.5.2 Variabilidad óptica
Las estrellas pre-secuencia principal, al encontrarse en las primeras etapas de su evolución estelar, pueden emitir radiación infrarroja de forma natural debido a la presencia de un disco de acreción que rodea a la estrella en formación. Estas estrellas jóvenes suelen presentar variabilidad de brillo como rasgo característico (p. ej., Joy , 1945 ; Herbst et al., 2007 ). Esta variabilidad puede atribuirse a diversos factores, como eventos de oscurecimiento circunestelar, puntos calientes en la estrella o el disco, estallidos de acreción y cambios estructurales rápidos en el disco de acreción (Cody et al., 2014 ).
Gaia DR3 proporciona un indicador de variabilidad óptica entre otros productos recién añadidos. Sin embargo, este indicador no está disponible para la mayoría de las fuentes. Para evaluar la variabilidad óptica de las estrellas, construimos el observable G var , definido en Vioque et al. ( 2020 ). Este observable busca cuantificar el nivel de variabilidad óptica y se ha utilizado para clasificar diferentes tipos de estrellas variables, incluyendo estrellas Herbig Ae/Be, estrellas TTauri y estrellas Be clásicas. El observable G var se define como
donde F G y e ( F G ) son el flujo de banda G de Gaia y su incertidumbre, respectivamente, mientras que N obs, G corresponde al número de veces que se observó esa fuente en la banda G. La lógica detrás de esta fórmula se basa en el hecho de que las fuentes variables deberían tener mayores incertidumbres en comparación con las no variables. El denominador se refiere al valor mediano de las fuentes con flujos similares, ya que los objetos no variables exhiben diferentes incertidumbres. Vioque et al. ( 2020 ) mostraron que las estrellas de pre-secuencia principal exhiben un amplio rango de G var que va de ∼0.7 a ∼100. La distribución de G var para estrellas conocidas de pre-secuencia principal alcanza un máximo en G var ∼ 6, y disminuye hacia los valores mencionados anteriormente. Aquí, rechazamos todas las estrellas que exhiben una G var mayor que dos, ya que es más probable que sean estrellas jóvenes. De manera similar, Barber y Mann ( 2023 ) desarrollaron un indicador de variabilidad y edad estelar, indicando que las incertidumbres fotométricas excesivas de Gaia disminuyen linealmente con el logaritmo de 10 (edad) en millones de millones de años. Sin embargo, esta relación se aplica principalmente a estrellas FGK y de tipo M temprano. Estos estudios demuestran el potencial de utilizar las incertidumbres y medidas de variabilidad de Gaia para inferir la edad y el estado de variabilidad de las estrellas.
Es importante destacar que esta comprobación descarta posibles enjambres de Dyson con elementos absorbentes muy grandes, ya que, en principio, estos podrían generar variaciones detectables en la fotometría de la estrella anfitriona. Sin embargo, estas variaciones podrían confundirse con otros fenómenos astrofísicos, como variaciones astrosísmicas o ruido fotométrico (Wright et al., 2016 ). También resulta práctico excluir las fuentes variables; de lo contrario, las estrellas jóvenes se escaparían con mayor facilidad de nuestro análisis.
2.5.3 Astrometría
Nuestra búsqueda se basa en gran medida en distancias basadas en paralaje, que pueden estimarse incorrectamente si el modelo de estrella única no se ajusta a las observaciones astrométricas. Para evaluar la fiabilidad de la distancia, Gaia proporciona el Error de Peso Unitario Renormalizado (RUWE), un parámetro que nos indica qué tan bien se ajustan las observaciones astrométricas a la solución astrométrica. Los valores de RUWE tienden a ser cercanos a 1,0 para fuentes con buen comportamiento, mientras que valores significativamente más altos que superan 1,0 pueden indicar fuentes no únicas o problemáticas. Para garantizar una astrometría fiable, implementamos un umbral RUWE conservador de 1,4. Las fuentes que superan este umbral se excluyen como posibles candidatas para minimizar objetos con estimaciones de distancia poco fiables. Otros estudios (p. ej., Stassun y Torres, 2021 ) han demostrado una correlación significativa entre la estadística RUWE y los sistemas binarios no resueltos. Los sistemas binarios pueden generar polvo cálido a través de procesos como la colisión catastrófica de planetas (p. ej., Weinberger, 2008 ; Thompson et al., 2019 ). Dado que dichos sistemas pueden tener distancias inexactas y exhibir un exceso de flujo MIR, el criterio RUWE mencionado anteriormente ayuda a rechazar fuentes que potencialmente comprendan sistemas binarios rodeados de polvo cálido, así como aquellos con astrometría problemática.
2.5.4 Fuentes extendidas
Esperamos que todos los candidatos tengan una forma consistente con una fuente puntual, por lo tanto, descartamos todas las fuentes que tengan un AllWISE distinto de cero.
2.5.5 Probabilidad de estrella
Gaia también clasifica las fuentes en diferentes categorías. Utilizamos una de las métricas de probabilidad que ofrece Gaia DR3 para garantizar que la fuente tenga mayor probabilidad de ser una estrella. En particular, utilizamos
2.5.6 Fuentes rechazadas hasta el momento
De todos los criterios descritos en la Sección 2.5 , el criterio RUWE es el que rechaza la mayor cantidad de candidatos. Un total de 282 fuentes son rechazadas solo por este criterio, lo que corresponde a aproximadamente la mitad de todas las fuentes rechazadas por cualquier criterio en la Sección 2.5 . La emisión de H α, la variabilidad óptica y los criterios de bandera extendida contribuyen por igual al resto de los recortes. Observamos que más de 1000 fuentes tienen EW de H α negativas. Sin embargo, las incertidumbres son tan grandes que no podemos confirmar la emisión de H α en el nivel 3σ.
2.6 Criterio SNR
Después de aplicar todos los cortes presentados en la Sección 2 , terminamos con 5137 fuentes con SED tipo DS. En consecuencia, procedimos a inspeccionar visualmente algunas de las imágenes W 3 / W 4 de estos candidatos. Este paso reveló que la mayoría de ellos parecían no ser convincentes como fuentes puntuales seguras. En muchos casos, estas fuentes parecen irregulares o se mezclan con el ruido de fondo. Aunque la reducción de datos WISE considera cualquier señal con un valor SNR mayor que 2 como una detección, muchas de estas detecciones no son confiables y no representan fuentes infrarrojas genuinas; la mayoría de las imágenes inspeccionadas coincidieron con este patrón. Por lo tanto, se aplicó un corte adicional basado en la SNR de estas ∼5000 fuentes. Seleccionamos fuentes con SNR mayor que 3.5 en las bandas W 3 y W 4, lo que resultó en 368 fuentes.
2.7 Inspección visual
Tras rechazar todas las fuentes con baja relación señal-ruido (SNR), realizamos una segunda pasada de inspecciones visuales para todas las fuentes que sobrevivieron al corte de SNR. El examen visual de las imágenes WISE (p. ej., Ribas et al. , 2012 ; Sgro y Song , 2021 ) es una técnica común para identificar y rechazar fuentes no fiables, ya que no todos los indicadores o métricas proporcionados por WISE pueden abordar problemas en la reducción de datos. Tras el escrutinio de todas las imágenes WISE , categorizamos tres tipos de factores de confusión: mezclas, estructuras irregulares y características nebulares. La figura 5 ilustra las distinciones entre estas clases. En la fila superior, mostramos el «caso de mezcla», en el que una fuente se superpone con fuentes externas dentro de la apertura de las bandas WISE , lo que es particularmente notable en las bandas W 3 y W 4. Las imágenes ópticas con mayor resolución facilitan la detección de mezclas. Incluso si algunos contaminantes no emiten luz óptica, si una fuente infrarroja aparece significativamente desplazada del centro de la imagen y carece de emisión óptica, se considera una mezcla y, en consecuencia, se rechaza.
Ejemplos de factores de confusión típicos en nuestra búsqueda. La fila superior presenta una fuente de la categoría de mezclas, la fila central, una fuente incrustada en una región nebular, y la fila inferior, un caso de la categoría irregular. En estas escalas, no se pueden distinguir los casos irregulares de los nebulares, pero la naturaleza nebular se puede establecer inspeccionando las imágenes a mayor escala.
En la segunda fila de la Fig. 5 , representamos la categoría "nebular" de falsos positivos. Estos casos exhiben imágenes W 3 y W 4 que aparecen borrosas y desordenadas, sin una fuente discernible de radiación infrarroja en la ubicación del candidato. Sin embargo, al examinar imágenes a gran escala que abarcan aproximadamente 600 arcsec, se hacen evidentes características nebulares distintivas. Algunas de estas características se asemejan al ejemplo que se muestra en la Fig. 3. Estas fuentes de confusión son instancias donde nuestra CNN (Sección 2.4 ) no logró rechazar estas fuentes con precisión. En la tercera fila, ilustramos la categoría "Irregular", que abarca todas las fuentes que se desvían de una fuente puntual en sus bandas W 3 y W 4 a pesar de haber sido seleccionadas con base en tener valores de WISE ext_flag iguales a 0. En esta categoría, las fuentes de irregularidades en las imágenes W 3 y W 4 de nuestros candidatos no están claras, y no parece haber indicios de nebulosidad en sus alrededores cuando se observan imágenes a mayor escala. Las causas de las irregularidades podrían atribuirse a características nebulares tenues, alto ruido y fusiones, pero es difícil determinar la causa exacta de este fenómeno. La mayoría de las fuentes rechazadas según el criterio de relación señal/ruido (SNR) contenían imágenes WISE que habrían entrado en esta categoría.
Entre las 368 fuentes que sobrevivieron al último corte, identificamos 328 (89,1 por ciento) fuentes como mezclas, 29 (7,9 por ciento) como irregulares y 4 como nebulosas (1,0 por ciento). Después de este análisis, se identificaron un total de 7 (2,0 por ciento) fuentes como candidatos potenciales que parecen estar libres de problemas visibles. Los resultados de la inspección visual se resumen en la Fig. 6. Se identificaron muchas mezclas gracias a la inspección de imágenes ópticas, por lo que verificamos dos veces que nuestras siete fuentes finales estuvieran libres de contaminantes examinando imágenes de Pan-STARRS1 DR1 (Chambers et al. 2016 ) y Sky Mapper DR2 (Onken et al. 2019 ) para dar cuenta de ambos hemisferios. Ninguna de estas siete fuentes mostró indicios de contaminación. La Tabla 4 resume cómo se redujo el tamaño de la muestra inicial después de cada paso.
Gráfico circular que ilustra la causa de la radiación infrarroja según nuestra inspección adicional.
Número de estrellas después de cada corte.
| Escenario | Número de estrellas |
|---|---|
| Estrellas en Gaia DR3-2MASS-AllWISE | ∼5 × 10 6 |
| dentro del 300% | |
| Detección W 3/ W 4 | ∼3,2 × 10 5 |
| RMSE ≤ 0,2 | 11 243 |
| Clasificador nebular | 5732 |
| Cortes adicionales | 5137 |
| Relación señal/ruido W3/W4 > 3,5 | 368 |
| Candidatos finales | 7 |
Finalmente, para las siete fuentes identificadas como posibles candidatas, realizamos una búsqueda de fuentes de rayos X cercanas. Los rayos X son una herramienta poderosa para rastrear regiones de formación estelar en el cielo (p. ej., Sciortino 2022 ), lo que sugiere que nuestras candidatas podrían ser estrellas jóvenes si existieran fuentes de rayos X asociadas con la formación estelar en su vecindad. Tras buscar en el archivo científico XMM - Newton , no encontramos evidencia de fuentes de rayos X en las proximidades de nuestras candidatas que pudieran atribuirse a la formación estelar. En un caso, existe una fuente de rayos X a aproximadamente 14 minutos de arco de una candidata; sin embargo, se ha confirmado que esta fuente es una galaxia Seyfert.
3 RESULTADOS
En la Tabla 5 , resumimos todos los candidatos. Nuestra inspección visual indica que estas fuentes son fuentes reales de radiación infrarroja sin ninguna contaminación evidente. Dado el número limitado de candidatos, revisamos el ajuste de nuestro modelo utilizando una cuadrícula más refinada en comparación con la empleada en la Sección 2.3 . En esta ocasión, comparamos nuestros datos con 6216 900 modelos, que abarcan 391 temperaturas efectivas de DS de 10 a 400 K y 60 factores de cobertura de 10−4 a 0,4. La Tabla 5 presenta las estimaciones actualizadas de temperatura de DS y los factores de cobertura.
Candidatos a DS. Todas las fuentes son emisores MIR claros, sin contaminantes evidentes ni señales que indiquen un origen MIR evidente.
| Etiqueta | Identificación de Gaia DR3 | Distancia a (pc) | RUWE b | EWH | S/N d ( An 3/ An 4) | |||||
|---|---|---|---|---|---|---|---|---|---|---|
| A | 3 496 509 309 189 181 184 | 142,9 ± 1,0 | 15,99 | 1.03 | 1.03 | – | 0,248 ± 0,076 | 138 ± 6 | 0,08 ± 0,01 | 22,5/16,6 |
| B | 4 843 191 593 270 342 656 | 211,6 ± 3,5 | 17.71 | 0,94 | 1.06 | 3574 | – | 275 ± 40 | 0,06 ± 0,008 | 13,9/3,8 |
| do | 4 649 396 037 451 459 712 | 219,4 ± 6,2 | 18.39 | 0.90 | 1.21 | 3238 | – | 187 ± 16 | 0,14 ± 0,016 | 10.5/5.0 |
| D | 2 660 349 163 149 053 824 | 211,5 ± 5,8 | 17.66 | 0,97 | 0,96 | 3473 | – | 178 ± 20 | 0,16 ± 0,03 | 10.4/4.8 |
| mi | 3 190 232 820 489 766 656 | 274,7 ± 6,1 | 17.00 | 0.90 | 1.05 | 3556 | 0,049 ± 0,100 | 180 ± 26 | 0,08 ± 0,02 | 10.3/3.6 |
| F | 2 956 570 141 274 256 512 | 265,0 ± 2,6 | 16.32 | 0,93 | 1.01 | 3674 | 0,020 ± 0,068 | 137 ± 16 | 0,03 ± 0,008 | 5.7/4.5 |
| GRAMO | 2 644 370 304 260 053 376 | 249,9 ± 3,7 | 16.48 | 0,99 | 1.01 | 3480 | 0,024 ± 0,097 | 100 ± 9 | 0,13 ± 0,02 | 5.0/3.5 |
Al examinar la pseudo-EW de H α, observamos que algunos candidatos presentan incertidumbres demasiado altas. Por lo tanto, sigue existiendo la posibilidad de que algunas de estas fuentes sean de hecho emisores de H α, lo que revelaría la etapa evolutiva estelar temprana y explicaría su radiación infrarroja. La Fig. 7 muestra las SED y las imágenes fotométricas de dos de los siete candidatos, mientras que la Tabla 5 proporciona información adicional utilizada en nuestro análisis posterior (Sección 2.5 ). En los ejemplos representados en la Fig. 7 , las imágenes claras de W 3/ W 4 indican una fuente distinta de radiación MIR en ambas bandas. El candidato A muestra notablemente un cambio considerable entre las imágenes DSS, 2MASS y WISE , que se atribuye a su movimiento propio relativamente alto. Según Gaia DR3, esta estrella tiene un movimiento propio de −88,7 mas año −1 en declinación.
Imágenes fotométricas de las SED de nuestros dos candidatos a DS. Los paneles de SED incluyen el modelo y los datos. Las líneas discontinuas indican el modelo sin considerar la emisión infrarroja del DS, y la línea negra continua indica el modelo que incluye el flujo infrarrojo del DS. Las imágenes fotométricas abarcan un minuto de arco. Todas las imágenes están centradas en la posición de los candidatos, según Gaia DR3. Todas las fuentes son emisores MIR claros, sin contaminantes evidentes ni señales que indiquen un origen MIR evidente. El círculo central marca la ubicación de la estrella, según Gaia DR3.
3.1 Contaminación potencial
En esta búsqueda, encontramos varias fuentes de falsos positivos, como se detalla en secciones anteriores. Como se destacó en estudios anteriores (por ejemplo, Kennedy et al. 2012 ; Krivov et al. 2013 ; Gáspár y Rieke 2014 ), la contaminación de fondo galáctico y las alineaciones casuales con fuentes extragalácticas pueden inducir un exceso de infrarrojo falso en la ubicación de una estrella. En el contexto de la investigación de estrellas infrarrojas WISE dentro del campo de visión de Kepler, Kennedy et al. ( 2012 ) encontraron que el procesamiento mejorado del sondeo IRAS (IRIS: Miville-Deschênes y Lagache 2005 ) ofrece información valiosa sobre la posible contaminación de fondo. Identificaron que las fuentes dentro de las regiones donde el nivel de fondo de 100 μm excedía los 5 MJy/sr eran susceptibles a la contaminación galáctica. Para evaluar si nuestros candidatos a DS eran propensos a dicha contaminación, utilizamos los mapas de IRIS a 100 μm para evaluar el nivel de fondo de nuestras fuentes. La Tabla 6 resume estos valores, todos los cuales se encuentran por debajo del umbral sugerido por Kennedy et al. ( 2012 ). Este resultado se deriva de nuestro procedimiento de filtrar todas las estrellas incrustadas en regiones nebulares, eliminando así de forma natural las fuentes ubicadas en regiones donde el nivel de fondo galáctico afecta la fotometría WISE de las estrellas.
Candidatos al DS y sus 100
| Etiqueta | Identificación de Gaia DR3 | IRIS 100 (MJy/sr) |
|---|---|---|
| A | 3 496 509 309 189 181 184 | 4.77 |
| B | 4 843 191 593 270 342 656 | 1.34 |
| do | 4 649 396 037 451 459 712 | 4.75 |
| D | 2 660 349 163 149 053 824 | 4.17 |
| mi | 3 190 232 820 489 766 656 | 4.45 |
| F | 2 956 570 141 274 256 512 | 1.78 |
| GRAMO | 2 644 370 304 260 053 376 | 2.92 |
Además de la contaminación de fondo, las alineaciones casuales con fuentes brillantes en el infrarrojo pero oscurecidas en el óptico presentan otra fuente potencial de contaminación. Kennedy et al. ( 2012 ) estimaron la probabilidad de tales alineaciones comparando los conteos de galaxias con los conteos de sus fuentes de exceso infrarrojo. Como nuestros candidatos DS están limitados a solo siete, adoptamos un método similar al utilizado por Theissen y West ( 2017 ). En su estudio, que investiga la presencia de polvo cálido alrededor de las enanas M, Theissen y West ( 2017 ) reanalizaron la extracción de fuentes de sus objetivos para determinar los desplazamientos entre sus imágenes W 1, W 2 y W 3. Estos desplazamientos luego se compararon con el desplazamiento inherente de objetos estacionarios como los cuásares. Los cuásares sirven como valiosos indicadores de la precisión astrométrica del instrumento WISE mientras permanecen estacionarios en el cielo. Theissen y West ( 2017 ) se centraron exclusivamente en cuásares aislados (sin otras fuentes en un radio de 6 segundos de arco), con relaciones señal-ruido (SNR) de W 3 entre 3 y 5, en latitudes galácticas superiores a 77 grados. Observaron que las distribuciones de desplazamiento se asemejaban a las de sus estrellas candidatas de disco, ambas con distribuciones gaussianas. Una distribución reflejaba el desplazamiento de Ascensión Recta entre las posiciones W 1 y W 3 (μ = 0).
Para evaluar la probabilidad de alineaciones aleatorias con fuentes extragalácticas, adoptamos un enfoque similar y re-realizamos la extracción de fuentes para determinar el desplazamiento entre las imágenes W 1, W 2 y W 3. Inicialmente, obtuvimos imágenes unWISE de nuestros candidatos. unWISE (Lang 2014 ) proporciona una colección de imágenes WISE co-añadidas que permanecen sin desenfocar, preservando su resolución intrínseca. Posteriormente, realizamos una extracción de fuentes revisada utilizando el software sep (Barbary 2016 ), una implementación de Python que abarca los algoritmos principales de Source Extractor ( sextractor ; Bertin & Arnouts 1996 ).
La Tabla 7 resume los desfases entre las posiciones de las fuentes extraídas en diferentes filtros. Cabe destacar que, para el desfase W 1- W 2, tanto en RA como en DEC, la discrepancia es mínima y se encuentra dentro del rango obtenido por Theissen y West ( 2017 ) tanto en RA como en DEC. De igual manera, los desfases entre las bandas W 1 y W 3 también se alinean con la distribución, excepto para el candidato G, que parece sospechoso y requiere una cuidadosa consideración. Sin embargo, el conjunto de datos actual carece de evidencia definitiva para confirmar o descartar este candidato.
Desplazamiento en el fotocentro de nuestras fuentes en diferentes bandas WISE .
| Etiqueta | Identificación de Gaia DR3 | Desplazamiento W 1/ W 2 (arcosegundos) RA/DEC | Desplazamiento W 1/ W 3 (arcosegundos) RA/DEC |
|---|---|---|---|
| A | 3 496 509 309 189 181 184 | −0,25/−0,01 | −0,03/0,33 |
| B | 4 843 191 593 270 342 656 | 0,40/0,31 | 3,21/0,06 |
| do | 4 649 396 037 451 459 712 | 0,25/−0,32 | 1,52/−3,68 |
| D | 2 660 349 163 149 053 824 | −0,31/−0,12 | 0,60/−0,09 |
| mi | 3 190 232 820 489 766 656 | −0,09/0,48 | −1,15/−0,38 |
| F | 2 956 570 141 274 256 512 | 0,03/0,10 | −1,04/0,79 |
| GRAMO | 2 644 370 304 260 053 376 | 0,24/0,00 | 5,59/0,64 |
4 DISCUSIÓN
Realizamos una búsqueda exhaustiva de fuentes que exhiben SED compatibles con estrellas que albergan DS parciales. La última búsqueda de este tipo fue realizada por Carrigan ( 2009 ), quien solo buscó DS completos (γ = 1) utilizando datos IRAS. Analizamos una muestra significativamente más grande de aproximadamente 320 000 fuentes del conjunto de datos Gaia DR3-2MASS-AllWISE con detección W 3/ W 4, que es casi 30 veces más grande que la muestra de Carrigan. Como resultado, identificamos siete fuentes que muestran un exceso de flujo MIR de origen incierto. Varios procesos que involucran material circunestelar que rodea una estrella, como interacciones binarias, estrellas pre-secuencia principal y discos de escombros cálidos, pueden contribuir al exceso de MIR observado (por ejemplo, Cotten y Song 2016 ). Kennedy y Wyatt ( 2013 ) estiman la tasa de ocurrencia de polvo cálido y brillante. La tasa de ocurrencia es de 1 sobre 100 para fuentes muy jóvenes, mientras que se convierte en 1 sobre 10 000 para sistemas antiguos (>1 mil millones). Sin embargo, los resultados de nuestra comprobación de variabilidad sugieren que nuestras fuentes no son estrellas jóvenes. Si nuestras candidatas fueran estrellas jóvenes, esto podría explicar el exceso de infrarrojo y coincidiría con la tasa de ocurrencia más probable. No obstante, cabe destacar que, aunque poco común, la literatura ha documentado la existencia de estrellas pre-secuencia principal con baja
La presencia de discos de escombros cálidos alrededor de nuestros candidatos sigue siendo una explicación plausible para el exceso infrarrojo de nuestras fuentes. Sin embargo, nuestros candidatos parecen ser estrellas de secuencia principal de tipo M, dados sus parámetros estelares y ubicación en el diagrama de Hertzsprung-Russell como ilustra la Fig. 8. Sin embargo, los discos de escombros de enanas M son objetos muy raros y, hasta la fecha, solo se ha confirmado un número reducido (por ejemplo, Luppe et al. 2020 ; Cronin-Coltsmann et al. 2022 , 2023 ). Se han invocado múltiples explicaciones para explicar la escasez de discos de escombros alrededor de las enanas M, incluidos los sesgos de detección (Heng y Malik 2013 ; Kennedy et al. 2018 ) y los sesgos de edad (Riaz, Mullan y Gizis 2006 ; Avenhaus, Schmid y Meyer 2012 ). Además, los estudios han sugerido que los procesos físicos que rigen la evolución de los discos de escombros alrededor de las enanas M pueden diferir significativamente de los observados en estrellas de tipo solar (Plavchan, Jura y Lipscy 2005 ). Sin embargo, la temperatura y la luminosidad infrarroja fraccional ( f = L IR /L ⋆ ) de nuestros candidatos son diferentes de las de los discos de escombros típicos, que tienden a ser fríos (10-100 K) y a tener bajas luminosidades fraccionales ( f < 0,01). Estas altas luminosidades fraccionales (si consideramos f = γ) son una característica más compatible con los discos jóvenes en comparación con los discos de escombros ordinarios (Wyatt 2008 ), pero la falta de variabilidad parece ser inconsistente con el escenario de estrella joven. Por otro lado, los discos de escombros extremos (EDD; Balog et al. 2009 ) son ejemplos de fuentes MIR con altas luminosidades fraccionarias ( f > 0,01) y temperaturas más altas que las de los discos de escombros estándar (Moór et al. 2021 ). Sin embargo, estas fuentes nunca se han observado en relación con enanas M. ¿Son nuestras candidatas estrellas jóvenes y extrañas cuyo flujo no varía con el tiempo? ¿Son estas estrellas discos de escombros de enanas M con una luminosidad fraccionaria extrema? ¿O algo completamente diferente?
Diagrama de color-magnitud que muestra la distribución de nuestros candidatos en círculos grandes. Los puntos pequeños representan las estrellas Gaia DR3 dentro de un rango de 300 pc. La escala de colores representa la densidad relativa de estrellas.
Varias búsquedas de fuentes infrarrojas (p. ej., Kennedy et al., 2012 ; Ribas et al. , 2012 ; Cotten y Song , 2016 ; Theissen y West , 2017 ) han enfrentado desafíos para confirmar fuentes infrarrojas auténticas. Kennedy et al. ( 2012 ) demostraron una fuerte correlación entre el nivel de fondo de 100 μm de los mapas IRIS y la contaminación, estableciendo un umbral de 5 MJy/sr para eludir las fuentes infrarrojas espurias. Afortunadamente, esto no fue una preocupación para nuestros candidatos, ya que utilizamos un algoritmo CNN, aprovechando las imágenes W 3 para eliminar las fuentes dentro de las regiones nebulares, típicamente vinculadas a altos niveles de radiación FIR cerca del plano galáctico. La detección de fuentes infrarrojas también plantea inquietudes sobre posibles alineaciones casuales con galaxias infrarrojas, lo que lleva a una importante contaminación de la fotometría WISE . Existen varios métodos para evaluar la probabilidad de encontrar tales ocurrencias. Kennedy et al. ( 2012 ) comparan los conteos extragalácticos con los de sus fuentes, mientras que Theissen y West ( 2017 ) reextraen las fuentes para comparar sus posiciones W 1/ W 2/ W 3. Siguiendo la idea de Kennedy et al. ( 2012 ), determinamos la tasa de contaminación debida a las galaxias de fondo, que podría explicar alternativamente las propiedades MIR de nuestros candidatos. La tasa de contaminación depende principalmente del número de galaxias en el cielo por unidad de ángulo sólido que pueden producir una firma específica. Para determinar ese valor, calculamos el número de galaxias con las siguientes propiedades: detección W 3/ W 4 con relaciones señal-ruido (SNR) mayores o iguales a 3,5.
Además, las desviaciones entre posiciones dentro de diferentes bandas pueden utilizarse como indicador de confusión. La desviación de una fuente dentro de todas las bandas de WISE debería ser pequeña, dadas sus FWHM de PSF similares (6
Al examinar el diagrama de color-magnitud representado en la Fig. 8 junto con nuestras candidatas, es evidente que nuestra muestra se compone predominantemente de enanas M. Sin embargo, nuestras candidatas se desvían del núcleo de las distribuciones de enanas M, situándose en las periferias. El borde derecho se alinea más estrechamente con las estrellas jóvenes que progresan hacia la secuencia principal, mientras que el borde izquierdo corresponde al oscurecimiento óptico previsto por nuestros modelos, que puede asemejarse a las estrellas subenanas.
Análisis adicionales son definitivamente necesarios para revelar la verdadera naturaleza de estas fuentes. La espectroscopia óptica ha demostrado ser valiosa al refutar falsos candidatos a enanas M de discos de escombros (p. ej. Murphy, Mamajek y Bell 2018 ), y creemos que podría ayudarnos a restringir diferentes características de nuestras fuentes. H α se usa típicamente para averiguar si una estrella está en una etapa de acreción joven o no. Aunque la actividad cromosférica en enanas M puede conducir a la emisión de H α, la EW de dicha línea se puede usar para distinguir acredores de solo emisión cromosférica (Barrado y Navascués y Martín 2003 ). En este último caso, la línea se puede usar para determinar varias características de las enanas M, como la edad, la rotación estelar y la actividad magnética. Además, la intensidad de H α en el caso de la actividad cromosférica es una característica dependiente del tipo espectral (p. ej. Lépine et al. 2013 ).
Además, la girocronología puede ayudarnos a comprender mejor las edades de nuestros candidatos al usar la rotación estelar como un indicador independiente de la edad, ya que la rotación de las estrellas de tipo tardío se desacelera a medida que envejecen (por ejemplo, Kawaler 1989 ; Barnes 2003 , 2007 ; Meibom et al. 2015 ).
5 CONCLUSIONES
Tras analizar la fotometría óptica/NIR/MIR de fuentes de ∼5 × 10⁻¹ , encontramos siete enanas M aparentes que presentan un exceso infrarrojo de naturaleza incierta, compatible con nuestros modelos de DS. Modelamos DSs con temperaturas de entre 100 y 700 K y factores de cobertura de entre 0,1 y 0,9. Existen varias explicaciones naturales para el exceso infrarrojo en la literatura, pero ninguna explica con claridad este fenómeno en las candidatas, especialmente dado que todas son enanas M.
Argumentamos que la espectroscopia de seguimiento nos ayudaría a desvelar la naturaleza de estas fuentes. En particular, analizar la región espectral alrededor de H α puede ayudarnos a descartar o verificar la presencia de discos jóvenes mediante el análisis de la emisión potencial de H α. La espectroscopia en la región MIR sería muy valiosa para determinar si la emisión corresponde a un solo cuerpo negro, como asumimos en nuestros modelos. Además, la espectroscopia puede ayudarnos a determinar el tipo espectral real de nuestros candidatos y, en última instancia, a descartar la presencia de factores de confusión.
Queremos destacar que, si bien nuestros candidatos presentan propiedades consistentes con DS parciales, es prematuro presumir que el MIR presentado en estas fuentes se originó a partir de ellos. La calidad de los datos MIR para estos objetos suele ser bastante baja, y se requieren datos adicionales para determinar su naturaleza.
EXPRESIONES DE GRATITUD
Los autores desean agradecer en primer lugar a los evaluadores anónimos sus útiles comentarios, que mejoraron considerablemente la calidad de este estudio. MS agradece la financiación de la Real Academia Sueca de Ciencias. MS y EZ agradecen la financiación de la Fundación Magnus Bergvall. EZ y CN agradecen una beca sabática de AI4Research en la Universidad de Uppsala. EZ y SM desean agradecer la ayuda financiera a través del proyecto SPARC n.º P39 patrocinado por el Ministerio de Educación del Gobierno de la India. EZ también se ha beneficiado de una beca sabática en el Colegio Sueco de Estudios Avanzados. Este trabajo ha utilizado datos de la misión Gaia de la Agencia Espacial Europea (ESA) ( https://www.cosmos.esa.int/gaia ), procesados por el Consorcio de Procesamiento y Análisis de Datos de Gaia (DPAC, https://www.cosmos.esa.int/web/gaia/dpac/consortium ). La financiación del DPAC ha sido proporcionada por instituciones nacionales, en particular las instituciones que participan en Gaia.Acuerdo Multilateral. Esta publicación utiliza los productos de datos del Two Micron All Sky Survey, un proyecto conjunto de la Universidad de Massachusetts y el Centro de Procesamiento y Análisis Infrarrojo del Instituto Tecnológico de California, financiado por la Administración Nacional de Aeronáutica y del Espacio (NASA) y la Fundación Nacional de Ciencias (NASF). Esta publicación utiliza los productos de datos del Wide-field Infrared Survey Explorer, un proyecto conjunto de la Universidad de California en Los Ángeles y el Laboratorio de Propulsión a Chorro del Instituto Tecnológico de California, y de NEOWISE, un proyecto del Laboratorio de Propulsión a Chorro del Instituto Tecnológico de California. WISE y NEOWISE están financiados por la NASA. La capacidad de la instalación nacional para SkyMapper se ha financiado mediante la subvención LE130100104 del ARC LIEF del Consejo Australiano de Investigación, otorgada a la Universidad de Sídney, la Universidad Nacional Australiana, la Universidad Tecnológica de Swinburne, la Universidad de Queensland, la Universidad de Australia Occidental, la Universidad de Melbourne, la Universidad Tecnológica de Curtin, la Universidad de Monash y el Observatorio Astronómico Australiano. SkyMapper es propiedad de la Escuela de Investigación de Astronomía y Astrofísica de la Universidad Nacional Australiana (ANU), que también lo opera. Los datos del estudio fueron procesados y proporcionados por el equipo de SkyMapper de la ANU. El nodo SkyMapper del Observatorio Virtual Todo el Cielo (ASVO) se encuentra en la Infraestructura Computacional Nacional (NCI). El desarrollo y el soporte del nodo SkyMapper del ASVO han sido financiados en parte por Astronomy Australia Limited (AAL) y el Gobierno Australiano a través del Fondo de Inversión en Educación (EIF) de la Commonwealth y la Estrategia Nacional de Infraestructura de Investigación Colaborativa (NCRIS), en particular las Herramientas y Recursos de Colaboración Nacional de Investigación Electrónica (NeCTAR) y los Proyectos del Servicio Nacional de Datos de Australia (ANDS). Los sondeos Pan-STARRS1 (PS1) y el archivo científico público de PS1 han sido posibles gracias a las contribuciones del Instituto de Astronomía, la Universidad de Hawái, la Oficina del Proyecto Pan-STARRS, la Sociedad Max-Planck y sus institutos participantes, el Instituto Max Planck de Astronomía (Heidelberg) y el Instituto Max Planck de Física Extraterrestre (Garching), la Universidad Johns Hopkins, la Universidad de Durham, la Universidad de Edimburgo, la Universidad Queen's de Belfast, el Centro Harvard-Smithsonian de Astrofísica, la Red Global de Telescopios del Observatorio Las Cumbres (Incorporada), la Universidad Nacional Central de Taiwán, el Instituto de Ciencia del Telescopio Espacial, la Administración Nacional de Aeronáutica y del Espacio (NASA) con la subvención n.º NNX08AR22G, otorgada a través de la División de Ciencias Planetarias de la Dirección de Misiones Científicas de la NASA, la subvención n.º AST–1238877 de la Fundación Nacional de Ciencias, la Universidad de Maryland, la Universidad Eötvos Lorand (ELTE), el Laboratorio Nacional de Los Álamos y la Fundación Gordon y Betty Moore.El Estudio del Cielo Digitalizado se realizó en el Instituto Científico del Telescopio Espacial gracias a la subvención NAG W-2166 del Gobierno de EE. UU. Las imágenes de estos estudios se basan en datos fotográficos obtenidos con el Telescopio Oschin-Schmidt en el Monte Palomar y el Telescopio Schmidt del Reino Unido. Las placas se procesaron en su formato digital comprimido con la autorización de estas instituciones. Se utilizaron observaciones obtenidas con XMM-Newton, una misión científica de la ESA con instrumentos y contribuciones financiadas directamente por los Estados miembros de la ESA y la NASA.
DISPONIBILIDAD DE DATOS
La mayoría de los datos subyacentes utilizados en este trabajo son de dominio público ( Gaia , 2MASS, WISE ). Los modelos en los que se basa este artículo están disponibles previa solicitud.
Nota añadida en la prueba: Mientras este artículo estaba en revisión, se publicó una preimpresión (Contardo & Hogg 2024 ) que presenta una búsqueda basada en datos para casos de exceso infrarrojo extremo en una muestra de tamaño similar de ∼5 millones de estrellas, también utilizando fotometría de Gaia, 2MASS y WISE. Si bien su búsqueda es sensible a las esferas de Dyson, no hay superposición entre su muestra final de candidatos y la nuestra. Su enfoque se centra en estrellas FGK brillantes (magnitud $G<16$) y objetos donde el exceso infrarrojo es visible en los filtros W1 y W2 de WISE, lo que correspondería a esferas de Dyson a temperaturas más altas que las encontradas en nuestro estudio. Los dos estudios son complementarios, ya que exploran diferentes áreas del espacio de parámetros.
Notas al pie
Referencias
APÉNDICE A: SELECCIÓN DE ESTRELLAS
Para construir nuestro conjunto de modelos DS, partimos de un conjunto de estrellas observadas con fotometría Gaia DR3-2MASS-AllWISE y luminosidades bolométricas disponibles. Seleccionamos una muestra de 265 estrellas de la secuencia principal a menos de 100 pc del Sol. Para asegurar la selección de estrellas de la secuencia principal, aplicamos los mismos criterios que Suazo et al. ( 2022 ), que excluyen gigantes rojas, enanas blancas y fuentes con alto exceso de ruido astrométrico. El proceso de filtrado se define mediante la ecuación ( A1 ) para eliminar gigantes rojas y la ecuación ( A2 ) para eliminar enanas blancas y fuentes con alto exceso de ruido astrométrico. En estas ecuaciones, M G representa la magnitud absoluta de la estrella en la banda G , y G BP − G RP denota su color, ambos medidos en el sistema Vega.
Además de los cortes que garantizan solo estrellas de secuencia principal, consideramos solo estrellas con mediciones de flujo disponibles en todas las bandas relevantes y un RUWE por debajo de 1,4, lo que garantiza que la solución astrométrica sea de alta calidad. Además, incluimos estrellas con estimaciones de luminosidad FLAME (Creevey et al. 2023 ; Fouesneau et al. 2023 ), que son necesarias para nuestros modelos. Excluimos estrellas con contaminación en su fotometría WISE y estrellas que ya exhiben un exceso de MIR. Para asegurar una muestra diversa, restringimos nuestra selección a estrellas con magnitudes absolutas ( M G ) que van de 0 a 13,6, correspondientes a masas de secuencia principal de edad cero entre aproximadamente 0,15 y 3,5 masas solares (
Adicionalmente, para asegurar la precisión de nuestras mediciones fotométricas, consideramos los límites de saturación para las bandas WISE al seleccionar las estrellas de la secuencia principal. Se sabe que las fuentes más brillantes que 8,1, 6,7, 3,8 y −0,4 mag (Vega) en W 1, W 2, W 3 y W 4, respectivamente, están saturadas, lo que resulta en flujos sobreestimados. Para mitigar este efecto, aplicamos la corrección W 2 propuesta por Cotten y Song ( 2016 ) específicamente para la banda W 2. Sin embargo, nuestro análisis no encontró diferencias significativas al considerar flujos W 2 corregidos y no corregidos. Esto se debe principalmente a que nuestras fuentes se encuentran en el régimen no saturado, donde las mediciones de flujo son confiables sin la necesidad de corrección.
Aplicamos modelos DS con temperaturas de 100 a 700 K y factores de cobertura de 0,1 a 0,9 para cada estrella seleccionada. Dado que contamos con 265 estrellas, 17 factores de cobertura y 49 temperaturas, obtenemos 220 745 modelos, 833 para cada estrella (17 factores de cobertura y 49 temperaturas). Véase la Fig. 2 para ver un ejemplo de cómo los parámetros del modelo alteran la SED de una estrella similar al Sol.
No hay comentarios:
Publicar un comentario