利用機器學習辨識橢圓星系的運動特徵。本研究利用 MaNGA 大型星系巡天的積分視場光譜資料，分析恆星速度彌散隨星系半徑的變化，並結合非監督式與監督式機器學習建立自動分類模型。模型經訓練與測試後，可將橢圓星系的速度彌散剖面分為平坦(Flat)、下降(Decline)、上升(Ascend)及不規則(Irregular)四種類型，測試資料的整體分類正確率達 88%。將模型應用於 2,624 個 MaNGA DR17橢圓星系後，發現約 68.87% 的星系呈現平坦型速度彌散剖面。此方法使研究人員能快速分析大量星系的運動結構，並為進一步研究橢圓星系的形成、演化及質量分布提供新的統計工具。
段儀博士、田雍博士，以及高仲明教授一起發表了一項運用機器學習研究橢圓星系內部恆星運動的新成果。研究團隊使用 Apache Point Observatory 鄰近星系巡天計畫(MaNGA)的觀測資料，分析恆星速度彌散隨星系半徑的變化，並結合非監督式 K-means 分群與監督式 TreeBagger 分類模型，將橢圓星系的速度彌散剖面分為平坦型(Flat)、下降型(Decline)、上升型(Ascend)及不規則型(Irregular)四類。訓練完成的模型在獨立測試資料上的整體分類正確率達到 88%。
研究團隊進一步將模型應用於 MaNGA DR17 中的 2,624 個橢圓星系，結果發現約 67.9% 呈現平坦型速度彌散剖面，而約 24.5% 為下降型。大量平坦型星系的出現特別值得關注，因為先前研究發現，許多星系團中最明亮的中央星系也具有類似的運動特徵。這項研究展示了機器學習如何協助天文學家快速分析大型星系巡天資料，並為進一步研究星系形成、演化與內部質量分布提供新的統計工具。本研究已發表於 RAS Techniques and Instruments (Duann, Tian & Ko 2023, RASTAI, 2, 649–656)。
利用機器學習連結觀測到的系外行星族群與行星形成歷程。上圖為本研究的分析架構：首先利用 NASA Exoplanet Archive 中的真實系外行星資料，依據行星的物理與軌道動力學特徵進行 Gaussian Mixture Model(GMM)非監督式分群，再將不同觀測族群映射至卵石吸積(pebble accretion)模型所產生的模擬行星族群。下圖比較四類行星族群在三項形成參數上的分布，包括形成初期可利用的原行星盤氣體量(G1)、行星氣體質量比例(fqas)，以及冰—岩石質量比。結果顯示，熱巨行星(HG)、以暖木星為主的族群(WJD)、低質量巨行星(LMG)及超高質量氣體巨行星(VMGG)具有不同的形成歷史，其中超高質量氣體巨行星較傾向於在氣體仍相當豐富的原行星盤早期形成。
研究成果介紹
Dr. Yi Duann 與丹麥哥本哈根大學 Globe Institute 行星與恆星形成中心(Center for Star and Planet Formation)研究團隊合作，利用機器學習建立觀測系外行星與理論行星形成模型之間的連結。研究並未事先將行星指定為特定類別，而是利用兩階段 Gaussian Mixture Model，根據行星的軌道與動力學參數，自動辨識觀測資料中自然存在的不同族群。接著，團隊將這些真實行星族群映射至卵石吸積模型產生的模擬行星，使目前無法直接由觀測取得的形成時間、氣體包層成長與固體組成，可以在族群尺度上進行統計比較。
