图中横坐标显示恒星星族 的金属元素含量(金属丰度),数值越大金属丰度越高 。纵坐标显示恒星初始质量函数的形状,α数值越大表示质量较小 的恒星比例越高 。红色圆点显示年老星族α值比较小 ,即质量较小恒星 的比例低 ;蓝色三角形显示较年轻恒星随着金属丰度变高 ,α值也增加,即质量较小恒星 的比例增加 。中科院国家天文台 供图
9万多精细样本直接获取恒星初始质量函数
论文第一作者、中科院国家天文台博士研究生李佳东解释说,恒星初始质量分布规律,天文学上通常称为恒星初始质量函数 ,它描述了一群恒星在刚刚诞生时 ,不同质量的恒星所占 的比例。在整个天体物理研究中,恒星初始质量函数 是现代天文学中一个非常基础的物理概念 ,对许多关键天体物理学问题 的研究起到至关重要的作用 。
半个多世纪以来 ,天文学家通常认为恒星初始质量函数在宇宙各处及各个演化阶段是普适不变的 ,并作为基本假设在星系形成与演化、星团结构和演化、双星演化,甚至太阳系外行星以及引力波等诸多天体物理研究领域广泛应用 ,几乎成为天体物理教科书中的“经典假设”。
不过 ,天文学家近年来通过各种新的观测 ,发现恒星初始质量函数很有可能不 是普适不变的。论文合作者 、南京大学天文系教授张智昱指出 ,一些迹象显示,在恒星形成活跃的环境中大质量恒星的比例更高 ,这意味着恒星初始质量函数可能不 是普适的。
恒星初始质量函数在宇宙各处 是否变化成为困扰天文学家的重要问题,需要在银河系中找到更为直接有力 的观测证据。近年来,随着郭守敬望远镜 、盖亚卫星等中外大型天文设施投入观测运行 ,并获得海量观测数据,助力中国天文学家发现恒星初始质量函数变化的直接证据。
研究团队发挥郭守敬望远镜大样本光谱数据优势,筛选出迄今最精细 的9万多颗太阳邻域的恒星样本 ,并获取了每颗恒星的金属元素含量和质量 。结合盖亚卫星观测数据 ,他们首次通过俗称“数星星”这一最直观的恒星计数法 ,对具有不同金属元素含量和年龄的恒星进行统计,从观测角度直接获取了几乎不依赖于任何模型 的恒星初始质量函数。
宇宙不同地方需要合适“尺子”正确测量
研究团队认为 ,无论是测量宇宙不同阶段星系中暗物质和重子物质质量、构建星系化学演化,还是理解恒星形成过程、分析双星演化 的物理机制 、探测太阳系外行星 ,甚至包括研究恒星级引力波事件等一系列天体物理学前沿问题 的研究,都将因恒星初始质量函数的变化而受到挑战。
刘超以“尺子”作比喻指出 :“这如同 是一把会随着环境变化的‘尺子’ ,不能用同一把‘尺子’丈量宇宙 的不同地方 。在宇宙不同地方 ,天文学家需要更换合适 的‘尺子’,才能得到正确的测量结果。例如,使用银河系目前 的‘尺子’就无法测量早期的宇宙” 。
论文合作者、中科院紫金山天文台符晓婷副研究员补充说,如此复杂变化的恒星初始质量函数,对恒星形成理论也提出了严峻 的挑战 。
中科院国家天文台表示,这一原创性成果 是中国天文大科学装置郭守敬望远镜在前沿基础研究领域取得 的又一项突破性进展 。未来 ,中国将发射中国空间站工程巡天望远镜(CSST) ,将助力天文学家在银河系更深远区域及近邻星系中进一步验证该重大发现 ,为更深入理解恒星初始质量函数和恒星形成的物理过程,提供更加丰富的天文观测数据 。(完)
提速近10倍 !基于深度学习 的全基因组选择新方法来了****** 近日 ,中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测 的深度学习方法, 可以实现育种大数据的高效整合与利用 ,将助力深度学习在全基因组选择中的应用,为智能设计育种及平台构建提供有效工具 。相关研究成果发表在《分子植物(Molecular Plant)》上 。 全基因组选择作为新一代育种技术 ,通过构建预测模型 ,根据基因组估计育种值进行早期个体的预测和选择 ,从而缩短育种世代间隔 ,加快育种进程,节约成本,推动现代育种向精准化和高效化方向发展 。 统计模型作为全基因组选择的核心,极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型,难以捕捉基因型和表型间的复杂关系。 相较于传统模型,非线性模型(如深度网络神经)具备分析复杂非加性效应的能力 ,人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新 的契机,深度学习算法的优化将会提高全基因组选择 的预测能力 。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度 的群体数据为测试材料,通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比 ,该方法有以下优点 : 可以利用多组学数据开展全基因组预测;算法设计中包含批归一化层、回调函数和校正线性激活函数等结构 ,可以有效降低模型错误率 ,提高运行速度;预测精度稳健,在小型数据集上 的表现与目前主流预测模型相当,在大规模数据集上预测优势更加明显;计算时间与传统方法相近,比已有深度学习方法提速近10倍;超参数调整对用户更加友好 。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目 的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟
(文图 :赵筱尘 巫邓炎) [责编:天天中] 阅读剩余全文() |