Поиск в интервале

author:[Иванов TO Петров]

author:{Иванов TO Петров}

эссе, 1960–1990: Блум, Аллан Дэвид: 9780671707774: Amazon.com: Книги

Еженедельно от издателей

Профессор Чикагского университета Блум (автор скандального бестселлера «Закрытие американского разума») собрал здесь 19 впечатляющих, ранее опубликованных эссе. Научными, но доступными серьезным и целеустремленным читателям являются 11 комментариев к Аристофану, Платону, Руссо, Свифту и Шекспиру и три — к учителям — влиятельному политическому теоретику Лео Штраусу; Раймон Арон, «последний из либералов»; и Александр Кожев, «самый блестящий человек, которого я когда-либо встречал.«Последние пять эссе посвящены коммерции и« культуре »: Макиавелли и изучение текстов, теория справедливости Джона Ролза, кризис гуманитарного образования и демократизация университета. Сборник является заметной демонстрацией широты знаний Блума. .Первый сериал к комментарию; права на книгу в мягкой обложке на Touchstone; альтернативный вариант BOMC.
Copyright 1990 Reed Business Information, Inc.

Из библиотечного журнала

Блум снова критикует историзм, культурный релятивизм и позитивизм за то, что они способствуют ослаблению наших традиционных представлений о добре и зле, особенно в применении к политической философии.В отличие от его бестселлера «Закрытие американского разума» (LJ 5/1/87), этот сборник возвращается к исходным текстам, на которых основаны многие его идеи: Платону, Шекспиру, Руссо и Лео Штраусу и другим. Краткая статья под названием «Western Civ» отвечает его критикам, особенно левым, которые почти повсеместно отвергали его раннюю книгу как ошибочный рецепт реформирования американского высшего образования. Эссе в этой антологии сложны и, вероятно, не являются бестселлером.Тем не менее, в этих произведениях предпринимаются усилия по рассмотрению серьезных идей, которые, по мнению Блума, были искажены или превращены в догмы, в результате чего у нас осталось слишком мало универсальных ценностей, на которых можно было бы построить теорию социальной справедливости. Предварительно просмотрено в Prepub Alert, LJ 15.06.90.
— Ричард Х. Куэй, Майами Univ. Libs., Оксфорд, Огайо
Авторские права, 1990 г., Reed Business Information, Inc.

гномов или гигантов? Звездные металлы и расстояния от ugrizG Многополосная фотометрия

На рисунке 3 схематически представлен алгоритм, который мы разработали.Этот алгоритм использует только фотометрические данные, описанные в предыдущем разделе, чтобы сначала отделить гигантов от карликов с помощью классификатора случайного леса (RFC; Breiman 2001), как подробно описано в разделе 3.2. После завершения этой классификации два набора искусственных нейронных сетей (ИНС), один для звезд, идентифицированных как карлики (раздел 3.3.1), а другой для звезд, идентифицированных как гиганты (раздел 3.3.2), используются для определения фотометрических характеристик. металличность. Наконец, еще два набора ИНС используются для определения абсолютной величины двух групп звезд в полосе G .

Увеличить Уменьшить Сбросить размер изображения

Рисунок 3. Схема алгоритма, описанного в Разделе 3. Входными параметрами являются фотометрические измерения из различных съемок, описанных в Разделе 2. Параметры, выделенные красным цветом, используются для обучения. Классификация карликовых гигантов выполняется с использованием RFC. Для каждого класса используется набор ИНС для вычисления фотометрической металличности. Затем другой набор ИНС используется для вычисления абсолютной звездной величины в полосе G , которая обеспечивает расстояния до звезд.

Загрузить рисунок:

Для расчета неопределенностей по различным параметрам, оцененным с помощью нашего алгоритма ( P _Dwarf , P _Giant , [Fe / H] и M _G ), вызванных фотометрическими неопределенностями различных полос, мы генерируем 20 реализаций Монте-Карло для каждой звезды. Мы также провели 100 и 1000 реализаций Монте-Карло для подвыборки из 50 000 случайно выбранных звезд.Для них мы получили окончательные неопределенности, которые обычно на <1% отличались от того, что мы получали с использованием всего 20 реализаций. Таким образом, мы приступили к 20 реализациям Монте-Карло для всей выборки, чтобы сэкономить дорогостоящее время вычислений. Для каждой реализации мы выбираем величину в каждой полосе из распределения Гаусса с центром на указанной величине и со стандартным отклонением, равным неопределенности величины. Неопределенности производных параметров устанавливаются равными стандартному отклонению для каждого параметра из этих 20 реализаций.

След CFIS- u , который определяет пространственный охват этого исследования, включает большое количество звезд, наблюдаемых SDSS / SEGUE (Янни и др., 2009b), по которым доступны спектроскопические данные. Мы используем эти звезды с качественными спектроскопическими измерениями в качестве обучающих выборок для первых двух компонентов нашего алгоритма. Выгодно использовать как можно большую обучающую выборку; поэтому мы выбрали 74 442 звезды SDSS / SEGUE, присутствующие в следе CFIS- u , которые имеют спектроскопическое отношение сигнал / шум (S / N) ≥ 25.Этот порог был выбран потому, что при более низком S / N распределение неопределенностей по параметрам, заданным конвейером SEGUE Stellar Parameters Pipeline (SSPP) как функция S / N, является нерегулярным, что указывает на то, что параметры плохо определены. Более того, более 96% звезд с отношением S / N <25 имеют измерения параллакса с плохой точностью (> 20%), и они не будут использоваться для калибровки отношения фотометрических расстояний, даже если они пройдут разрез S / N. Для третьего компонента нашего алгоритма (определение абсолютной величины) мы используем информацию о параллаксе из Gaia (обсуждается позже).

Сначала мы выполняем разрез по цвету, чтобы удалить звезды A-типа (которые лежат в области «запятой» на диаграмме цвета и цвета на рис. 4) и белые карлики, что определяется при осмотре рис. 4 и показан в оранжевом поле. Наличие бальмеровского скачка в полосе u для этих звезд означает, что они имеют более сложное фотометрическое поведение по сравнению с другими звездами, представленными на этой цветно-цветной диаграмме, и алгоритмы значительно упрощаются, если мы исключим их из рассмотрения.Отметим, что звезды A-типа в CFIS были подробно изучены в предыдущих работах (Thomas et al. 2018, 2019), а анализ белых карликов находится в стадии подготовки (N. Fantin et al. 2019, в стадии подготовки). Наложение этого цвета – выбор цвета ¹¹ на спектрах SDSS / SEGUE привели к каталогу из ~ 42 800 звезд, по которым у нас есть астрометрическая, фотометрическая и спектроскопическая информация. Этот цветовой разрез представляет собой первый шаг нашей процедуры и применяется как к тестовой / обучающей выборке, так и к окончательному основному каталогу (см. Раздел 4.4).

Увеличить Уменьшить Сбросить размер изображения

Рис. 4. Цветовая диаграмма звезд SDSS / SEGUE с отношением S / N ≥ 25. Оранжевый многоугольник соответствует геометрическому месту звезд MS и RGB в этой цветно-цветной плоскости. Это поле выбора удаляет звезды A-типа и белые карлики из последующего анализа.

Загрузить рисунок:

Здесь мы описываем метод, используемый для отделения звезд ветви красных гигантов (RGB) от звезд ГП. ¹² Для выполнения этой классификации мы используем RFC, входными данными которого являются ( u — g ) ₀ , ( g — r ) ₀ , ( r — i ) ₀ , ( i — z ) ₀ и ( u — G ) ₀ цветов, нормализованных так, чтобы среднее значение равно нулю и стандартное отклонение, равное единице, а выходные данные представляют собой вероятность каждый будет карликом, P _{карликом} , или гигантом, P _{гигантом} ≡ 1 — P _{карликом} .Здесь стоит отметить, что RFC не обязательно требует нормализации входных данных, но настоятельно рекомендуется для ИНС. Поэтому, чтобы соответствовать различным шагам алгоритма, мы используем нормализованные входные данные для классификации карликов / гигантов.

По данным Lee et al. (2008), типичная внутренняя неопределенность, полученная SSPP для принятой поверхностной силы тяжести (loggadop), составляет ~ 0,19 dex. Поэтому мы оставляем только звезды SDSS / SEGUE, которые имеют неопределенности δ log ( g ) ≤0.2. Окончательный каталог SDSS / SEGUE, использованный для обучения / тестирования классификатора карликовых гигантов, содержит 41 062 звезды. Этот каталог показан в виде диаграммы Киля на рисунке 5, где мы определяем звезды, лежащие в оранжевом многоугольнике, как гиганты, а все другие звезды как карлики. Обратите внимание, что в принципе мы могли бы использовать измерения параллакса Gaia DR2 для классификации звезд как карликов или гигантов; однако, как мы покажем позже, измерения параллакса Gaia DR2 недостаточно точны, особенно для звезд с [Fe / H] <−1.0, многие из которых обычно расположены на больших расстояниях и имеют низкую точность параллакса.

Увеличить Уменьшить Сбросить размер изображения

Рис. 5. Диаграмма Киля , показывающая распределение звезд в каталоге SDSS / SEGUE, используемом для классификации карликов и гигантов. Оранжевый многоугольник показывает те звезды, которые мы «определяем» как гиганты.

Загрузить рисунок:

Отметим, что наша «гигантская» выборка содержит подавляющее большинство звезд RGB, но также и субгигантские звезды с эффективной температурой между 5000 ≤ T _eff (K) ≤ 6000 и силой тяжести на поверхности между 3.2 ≤ log ( г ) ≤ 3,9. Даже на диаграмме Киля трудно определить строгий предел между карликами, субгигантами и гигантами, особенно когда мы включаем неопределенности в поверхностной гравитации, которые действуют, размывая любые границы, которые мы принимаем. Добавление субгигантского класса увеличивает сложность алгоритма и не решает основную проблему «нечеткости» между классами. По этой причине мы не рассматриваем конкретный класс звезд-субгигантов. Отметим также, что наше определение гигантов не включает большинство звезд асимптотической ветви гигантов (AGB).Однако в каталоге SDSS / SEGUE очень мало звезд AGB, поэтому мы не можем обучить алгоритм для их идентификации. Как и все алгоритмы контролируемого машинного обучения, мы в конечном итоге ограничены репрезентативным характером нашей обучающей выборки. Однако звезды AGB очень редки, и поэтому их отсутствие в нашем обучающем наборе не оказывает большого статистического влияния на наши результаты.

Мы создаем обучающий и тестовый набор из каталога SDSS / SEGUE, состоящий из случайно выбранных 80% и 20% выборки соответственно.Обучающий набор используется для поиска наилучшей архитектуры с помощью метода перекрестной проверки k раз и с пятью подвыборками. Затем он используется для поиска лучших параметров RFC, которые затем применяются к набору тестов для проверки сходства статистики двух выборок. Эта техника предотвращает переобучение тренировочной выборки. Мы используем пакет python sklearn, чтобы найти лучший параметр RFC.

Полнота и чистота классов карликов и гигантов (заселены звездами с P _{карликом} / P _{гигантом} > 0.5) для тестового набора показаны в таблице 1. Значения для двух классов аналогичны значениям для обучающего набора, что указывает на отсутствие переобучения данных. RFC правильно классифицирует подавляющее большинство карликов (96%) с менее чем 7% -ным загрязнением гигантскими звездами (обратите внимание, что, поскольку карлики составляют 86% нашей обучающей / тестовой выборки, это означает улучшение в 2 раза по сравнению со случайным ). Для гигантов правильно классифицировано чуть больше половины с относительно низким уровнем загрязнения ~ 30%.Таким образом, наша полнота примерно в 4 раза лучше, чем «случайная», а наша загрязненность почти в 3 раза ниже, чем «случайная». На рисунке 6 представлена ​​диаграмма Киля ожидаемой / предсказанной вероятности того, что каждая звезда будет карликом, и мы видим, что большая часть загрязнения карликами происходит от субгигантов, которые предпочтительно классифицируются как карлики, а не гиганты.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 6. Кильских диаграмм, где каждая точка соответствует звезде в тестовом наборе, имеющем цветовую кодировку в зависимости от вероятности того, что она является карликом. Ожидаемая вероятность или фактический класс звезд отображается на левой панели, а прогнозируемая вероятность из нашего алгоритма показана на правой панели.

Загрузить рисунок:

Таблица 1. Полнота и чистота классов карликов и гигантов для тестовой выборки

Примечание. Результаты статистически одинаковы для обучающей выборки, демонстрируя, что мы не переобучаем обучающую выборку. Первый столбец относится к истинной доле звезд, фактически классифицированных как карлики или гиганты в тестовой выборке.

Скачать таблицу как: ASCIITypeset image

Здесь ничего не стоит отметить, что на рисунке 6 поверхностная гравитация от SDSS / SEGUE уменьшается с температурой для звезд ГП с эффективной температурой ниже 4800 К.Это неожиданно по сравнению с теоретическими предсказаниями и, вероятно, является следствием плохого определения силы тяжести на поверхности SSPP в этой области. Однако это не влияет на нашу классификацию, поскольку все звезды в этой области правильно определены алгоритмом как карлики.

Подробные характеристики нашей классификационной схемы в зависимости от металличности, поверхностной силы тяжести, эффективной температуры и цвета ( u — G ) ₀ показаны на рисунке 7.Полнота и загрязнение в основном постоянны в диапазоне температуры и цвета, охватываемого гигантами. Полнота и загрязнение также постоянны с металличностью до [Fe / H] -1,2, после чего полнота быстро падает (с 70% при [Fe / H] = -1,3 до 20% при [Fe / H] = -1,0 ), что коррелирует с резким увеличением загрязнения. Мы пришли к выводу, что классификация хорошо работает для гигантов с металличностью ниже [Fe / H] = -1,2, но не может идентифицировать гигантов с наибольшим содержанием металлов.Также наблюдается падение полноты гигантов при поверхностной гравитации log ( g ), равной 3,3, что соответствует субгигантам, которые предпочтительно классифицируются как карлики.

Увеличить Уменьшить Сбросить размер изображения

Рис. 7. Полнота (синий) и загрязнение (оранжевый) звезд, классифицированных RFC как гиганты в тестовой выборке, в зависимости от (а) спектроскопической металличности, (b) поверхностной силы тяжести, (c) эффективной температуры, и (d) цвет ( u — G ) ₀ .

Загрузить рисунок:

Относительная важность каждого фотометрического цвета в схеме классификации, вычисленная с использованием метода важности признаков, реализованного в пакете sklearn, показана на рисунке 8. Этот метод использует вес каждой особенности в каждом узле различных деревьев RFC для измерить относительную важность такого признака для классификации. Самая важная особенность — это цвет ( r — i ) ₀ , при этом около четверти информации, используемой для классификации звезд, исходит от него.Это неудивительно, поскольку этот цвет является хорошим показателем эффективной температуры; поэтому мы предполагаем, что этот цвет используется для выбора диапазона температур, в котором преимущественно присутствуют гиганты (4900 K ≤ T _eff ≤ 5500 K). Вторая по важности характеристика — ( u — g ) ₀ , которая имеет тесную корреляцию с металличностью звезд ГП (Ивезич и др., 2008; Ибата и др., 2017b). Аналогичная корреляция существует для гигантов, хотя и с другой нулевой точкой (Ibata et al.2017b). Другие цвета, на которые приходится ~ 50% относительной важности, по-видимому, дают дополнительную незначительную дополнительную информацию (о металличности, температуре и поверхностной гравитации), чтобы отделить карликов от гигантов с использованием полной формы SED.

Увеличить Уменьшить Сбросить размер изображения

Рис. 8. Относительное значение каждого цвета в классификации карликов и гигантов RFC.

Загрузить рисунок:

Из рисунка 8 мы заключаем, что классификация карликов / гигантов в основном использует фотометрические особенности, которые отслеживают температуру и металличность. Это становится более ясным на рисунке 9, где геометрическое место гигантов очевидно на диаграмме эффективной температуры-металличности (левые панели) или на диаграмме цвет-цвет с использованием двух наиболее важных фотометрических характеристик, ( r — i ) ₀ и ( u — g ) ₀ цветов (правые панели).Две верхние панели рисунка 9 ясно показывают, что образец SDSS / SEGUE не содержит большого количества малометаллических карликов в температурном диапазоне, который перекрывается с большинством гигантов (4900 K ≤ T _eff ≤ 5500 K ). Критерии выбора для SDSS / SEGUE обычно сложны (Yanny et al. 2009a). Однако отсутствие малометаллических карликов усугубляется относительно небольшой глубиной набора данных SDSS / SEGUE, который не содержит звезд слабее G 18 mag.Это означает, что карлики обычно находятся довольно близко и поэтому предпочтительно выбираются из диска, который в среднем намного более богат металлами, чем ореол.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 9. Левая панель: диаграммы эффективная температура – ​​металличность; правые панели: ( u — g ) ₀ — ( r — i ) ₀ диаграмма. Верхние панели: распределение истинных карликов (красные) и гигантов (синие) тестовой выборки.Нижние панели: те же распределения, но звезды имеют цветовую кодировку в зависимости от их вероятности быть карликами в соответствии с алгоритмом.

Загрузить рисунок:

Как следствие этого, доля истинных карликов, ошибочно идентифицированных как гиганты, резко возрастает с металличностью в этой области температур, как показано на рисунке 10. Большинство истинных карликов с [Fe / H] <-1,5 классифицируются как гиганты по алгоритм.Это следует сравнивать с общей выборкой, в которой доля неправильно идентифицированных карликов никогда не превышает 0,2 (и которая почти постоянна для металличности ниже [Fe / H] = -1,0). Интересно отметить, что даже в диапазоне температур, включающем гигантов, более 50% настоящих карликов (и настоящих гигантов) правильно идентифицируются между -1,45 ≤ [Fe / H] ≤ -1,1. Это демонстрирует, что для классификации карликов и гигантов алгоритмом используются дополнительные функции, а не только те, которые относятся к температуре и металличности.Кажется разумным предположить, что эти особенности напрямую связаны с поверхностной гравитацией звезд, например линии Пашена, присутствующие в полосах i , z и G , или линии поглощения Ca H и K в полосах u , g и G (см. Starkenburg et al.2017).

Увеличить Уменьшить Сбросить размер изображения

Рис. 10. Доля настоящих карликов, ошибочно идентифицированных как гиганты в зависимости от металличности, для всего тестового образца (красный) и для более узкого диапазона эффективных температур между 4900 K ≤ T _eff ≤ 5500 K (что является температурным диапазоном гигантов).Серой заштрихованной областью выделена область металличности, в которой правильно идентифицировано более 50% карликов и гигантов.

Загрузить рисунок:

Наш вывод частично противоречит Lenz et al. (1998), которые показали, что невозможно одновременно разделить чисто звезд по температуре, металличности и поверхностной гравитации с помощью набора фильтров SDSS (которые в целом аналогичны фильтрам CFIS и PS1), за заметным исключением A звезды типа.Однако их анализ не учитывал возможные нелинейные связи между фотометрическими цветами и соответствующими параметрами звезды. По своей конструкции наш RFC учитывает нелинейность этих отношений, что позволяет нам использовать фотометрию для лучшего предсказания вероятности того, что звезда будет карликом или гигантом. Отметим также, что мы экспериментировали с различными методами классификации карликов и гигантов, включая ИНС и анализ главных компонентов (PCA). Мы обнаружили, что ИНС дает те же результаты, что и RFC, но результаты было труднее интерпретировать; PCA не дал хороших результатов из-за требований линейности.

С появлением новых спектроскопических исследований в северном полушарии, таких как WEAVE и SDSS-V, количество малометаллических карликов с эффективной температурой между 4900 K ≤ T _eff ≤ 5500 K, имеющих спектры, увеличится. скорее всего увеличится. Эти будущие данные станут отличным обучающим набором для улучшения классификации карликов / гигантов. Более того, мы обсудим позже другие проблемы с обучающими / тестовыми наборами, для которых будущие наборы спектроскопических данных, вероятно, внесут существенные улучшения.

Важно помнить, что гигантская выборка, полученная с помощью алгоритма, может содержать незначительную часть реальных бедных металлами карликов, поскольку в любом обзоре карликов обычно больше, чем гигантов. Однако в критическом диапазоне температур (4900 K ≤ T _eff ≤ 5500 K) разница в абсолютной величине между истинным карликом и истинным гигантом того же цвета составляет не менее 3 звезд, что эквивалентно неверному расстоянию в не менее 150% (эта ошибка еще больше для более красных звезд).Таким образом, многие из неправильно идентифицированных карликов в нашем обзоре можно легко идентифицировать, рассматривая их собственные движения Gaia .

Следующим шагом алгоритма является определение независимо для каждого из двух классов фотометрической металличности и абсолютной звездной величины (и, следовательно, расстояния) каждой звезды.

Было проведено множество исследований, оценивающих фотометрический параллакс звезд, особенно звезд ГП (Лэрд и др., 1988; Юрич и др., 2008; Ивезич и др., 2008; Ибата и др.).2017b; Андерс и др. 2019). Это возможно, потому что локус MS имеет четко определенное соотношение цвет – яркость. Используя это свойство, Юрич и др. (2008) определили расстояния от 48 миллионов звезд, присутствующих в следе SDSS DR8, до расстояний ~ 20 кпк, используя только фотометрию в диапазонах r и i . Однако в этом исследовании не принималось во внимание влияние металличности, которая изменяет светимость для данного цвета: более богатые металлами звезды были ярче, чем бедные металлами (Laird et al.1988; но также см. рис. 3 из Gaia Collaboration et al. 2018b). Возраст оказывает меньшее влияние на фотометрический параллакс, потому что его эффект заключается в уменьшении заселения более голубых звезд при сохранении формы локуса ГП для более красных звезд.

Хорошо известно, что можно определить фотометрическую металличность звезды, измерив ее УФ-избыток (Wallerstein & Carlson 1960; Wallerstein 1962; Sandage 1969), поскольку бедные металлами звезды имеют более сильный УФ-избыток, чем богатые металлами. звезды. Карни (1979) показывает, что можно измерить металличность звезды с точностью до 0.2 dex для звезд с фотометрией лучше 0,01 dex в фильтрах Johnson UBV . Совсем недавно Ivezić et al. (2008) показали, что можно получить аналогичную точность с фильтрами SDSS ugr и использовали его для получения фотометрического параллакса 2 миллионов карликов F / G до 8 кпк, где порог расстояния ограничен точностью диапазон SDSS и (см. также Ибата и др., 2017b).

В этом разделе мы основываемся на этой литературе и представляем основанный на данных метод оценки металличности и расстояний до карликовых звезд (Раздел 3.3.1) и гиганты (раздел 3.3.2).

3.3.1. Карликовые звезды

Мы сначала определяем фотометрическую металличность карликов, прежде чем вычислять расстояние до этих звезд. Для определения расстояния мы предпочитаем использовать абсолютную светимость, полученную с использованием параллаксов Gaia , а не самих параллаксов, учитывая, что большое количество параллаксов Gaia является отрицательным из-за стохастичности обзора (Luri et al. 2018). По построению, использование абсолютной величины приводит к полученным расстояниям, которые всегда положительны.

Существует вырождение между металличностью, светимостью и цветами, особенно для звезд с высокой металличностью (Ленц и др., 1998). Как указывает Ибата и др. (2017b), пренебрежение влиянием металличности на полученную абсолютную звездную величину может привести к серьезным ошибкам, делая полученные расстояния недействительными. В принципе, должно быть возможно получить металличность и абсолютную величину карликов одновременно, за один шаг. Однако, как описано ниже, только около половины карликов, у которых есть хорошие измерения металличности, также имеют достаточно хорошие измерения параллакса, чтобы оценить их абсолютные величины.Чтобы использовать максимальный объем доступной информации, мы решили использовать два шага: первый для определения фотометрической металличности, а второй — для оценки абсолютной звездной величины.

Чтобы оценить фотометрическую металличность карликов, мы построили набор из пяти независимых ИНС, на входах которых используются те же цвета, что и для классификации карликов-гигантов. Использование набора независимых ИНС, а не только одной, предпочтительнее, потому что это позволяет нам оценивать систематические ошибки на предсказанных значениях, сгенерированных алгоритмом.Используя подвыборку обучающего набора, мы обнаружили, что пять независимых ИНС дают аналогичные систематические ошибки для набора из 10 или 15. Более того, это также предотвращает любое возможное переобучение. Пять ИНС, построенные с использованием пакета Keras (Chollet 2015), имеют разные индивидуальные архитектуры и состоят из двух-пяти скрытых слоев. Что касается RFC, обучающий набор используется для поиска лучшей архитектуры каждой ИНС с помощью k-кратного метода перекрестной проверки с пятью подвыборками, где мы предполагаем, что каждая ИНС имеет независимую архитектуру.Параметры, используемые для обучения / тестирования ¹³ ИНС — это принятые спектроскопические металличности из SSPP (FeHadop) и их неопределенности для ~ 35 000 карликов из набора данных SDSS / SEGUE. Упомянутые ранее методы оценки металличности по фотометрическим полосам пропускания имеют типичную погрешность δ [Fe / H] 0,2 (относительно спектроскопических измерений). К набору спектроскопических данных применяется качественная обрезка, чтобы использовать только карлики с принятой неопределенностью спектроскопической металличности δ [Fe / H] _spectro ≤ 0.2. Отметим, что этот критерий очень мало влияет на каталог карликов SDSS / SEGUE, так как он удаляет ~ 100 звезд.

Функция потерь (или стоимости), используемая для обучения ИНС, представляет собой модифицированную среднеквадратичную функцию, которая включает неопределенности в отношении металличности:

, где y _{истинно, i} и δy _i i спектроскопическая металличность и ее неопределенность для звезды i , соответственно, и y _{pred, i} — соответствующая металличность, предсказанная алгоритмом.

После обучения каждой ИНС мы определяем металличность карликов ([Fe / H] _Карлик ) как среднее значение выходных данных пяти ИНС, а систематическую ошибку — как их стандартное отклонение. Разница между фотометрической и спектроскопической металличностью показана на двух верхних панелях рисунка 11 и составляет σ _{[Fe / H]} = 0,15 dex. Это умеренное улучшение метода Ibata et al. (2017b) ( σ _{[Fe / H]} = 0,20 dex). Обратите внимание, что невязки не показывают какой-либо значимой тенденции с металличностью, за исключением наиболее бедных металлами звезд ([Fe / H] <−2), для которых фотометрическая металличность имеет тенденцию быть выше, чем спектроскопические измерения.Отметим, что невязки увеличиваются с уменьшением металличности, указывая на то, что предсказанные фотометрические металличности менее надежны для звезд с металличностью ниже [Fe / H] <−2.0. Частично это будет из-за меньшего количества звезд, присутствующих в обучающей выборке при этой металличности, чем при более высокой металличности. Средняя неопределенность спектроскопической металличности карликов составляет δ [Fe / H] = 0,04, а систематическая ошибка составляет δ [Fe / H] _{Dwarf, sys} = 0.02. Таким образом, большая часть разброса в наших измерениях металличности связана с внутренним видимым изменением цвета карликов с аналогичной металличностью.

Увеличить Уменьшить Сбросить размер изображения

Рис. 11. Сравнение «истинной» и производной металличности для карликов (верхние панели), а также истинной и производной абсолютных величин для карликов (нижние панели). На левых панелях показаны графики зависимости истинных и производных величин друг от друга.Показана взаимно однозначная зависимость (сплошные линии), а штриховые и пунктирные линии соответствуют отклонениям 1 σ и 2 σ соответственно. Правые панели показывают распределение разностей между истинными и производными величинами с наложенной гауссовой аппроксимацией. Горизонтальные панели показывают остаток между количеством, предсказанным алгоритмом, и «истинными» значениями. Линии такие же, как на левых панелях. Красные полосы ошибок показывают разброс полученных параметров в разных местах.

Загрузить рисунок:

Как только металличность определена, она используется в сочетании с цветами для оценки абсолютной величины каждого карлика и, следовательно, расстояния до него. Что касается металличности, создается набор из пяти ИНС, где входные данные имеют те же цвета, которые использовались ранее, в дополнение к производной металличности. Результатом является абсолютная величина в заданном диапазоне. Мы решили использовать полосу Gaia G в качестве эталона, поскольку это фильтр с самой низкой фотометрической неопределенностью при данной звездной величине.

Абсолютные звездные величины карликов в каталоге SDSS / SEGUE вычисляются на основе параллаксов Gaia ( ) согласно

. Стоит отметить, что Gaia имеет тенденцию занижать параллаксы, и поэтому мы исправляем все параллаксы на глобальное смещение ₀ = 0,029 мсек, как было предложено Lindegren et al. (2018). Luri et al. (2018) показывают, что инверсия параллакса для получения расстояния (и, следовательно, абсолютной звездной величины) действительна только для звезд с низкими относительными неопределенностями параллакса, обычно / δ ≥ 5 (относительная точность ≤20% ).В этих случаях функция распределения вероятностей (pdf) абсолютной звездной величины может быть аппроксимирована гауссовой величиной с центром по ширине, так что

На карликах SDSS / SEGUE выполняется качественная обрезка, чтобы сохранить только те звезды с относительной величиной. Gaia Измерение параллакса лучше 20%. С этим критерием средняя точность относительного параллакса спектроскопической выборки карлика составляет ~ 10%, что соответствует средней неопределенности абсолютной величины mag. Набор спектральных карликовых данных, используемый для обучения / тестирования набора ИНС, состоит из 18 930 звезд и является хорошим представлением распределения металличностей и абсолютных величин в исходном наборе данных (охватывающий диапазон металличности −3.0 dex <[Fe / H] _Spectro <0,5 dex, диапазон по абсолютной величине 3 < M _G <7,5 и 600 звезд с [Fe / H] _spectro <−2,0 с хорошей точность параллакса).

Набор из пяти ИНС, используемых для получения абсолютной величины, имеет структуру, отличную от набора, используемого для оценки металличности, с четырьмя или пятью скрытыми слоями и большим количеством нейронов на слой, чем раньше. Однако функция потерь остается той же, где y _true , δy и y _pred теперь соответствуют, и, соответственно.Мы определяем прогнозируемую абсолютную звездную величину в полосе G карликов () как медианное значение выходных сигналов пяти ИНС, а систематическую ошибку ( δ ) как их стандартное отклонение. Как показано на нижних панелях рисунка 11, предсказанная абсолютная величина показывает разброс магнитуды по сравнению с абсолютной величиной, вычисленной из параллаксов Gaia . Это соответствует относительной точности на расстоянии 15%, что очень похоже на точность, обнаруженную Ivezić et al.(2008). Стоит отметить, что разброс почти постоянен в диапазоне абсолютной звездной величины, за исключением области вокруг, где несколько звезд имеют тенденцию иметь более высокую прогнозируемую абсолютную величину, чем наблюдаемая. Эти звезды, вероятно, являются молодыми звездами (<5 млрд лет) на повороте ГП (MSTO). Поскольку CFIS проводит наблюдения на высокой галактической широте (), их количество незначительно, и мы ожидаем, что эта недооценка светимости более молодых звезд должна иметь незначительное влияние на статистические исследования распределения расстояний.

3.3.2. Giant Stars

Метод определения металличности и абсолютной звездной величины для гигантов аналогичен методу для карликов, с первым набором ИНС для получения металличности и вторым набором ИНС для оценки абсолютной величины. Архитектура двух наборов ИНС точно такая же, как у карликов.

Принятые металличности и неопределенности для спектроскопических гигантов используются для обучения / тестирования первого набора ИНС. Опять же, мы применяем качественное сокращение металличности, которое использует только 5670 гигантов с точностью металличности лучше, чем δ [Fe / H] _spectro ≤ 0.2 (этот качественный разрез удаляет менее 0,5% первоначальной гигантской пробы). Используемая процедура в точности такая же, как и для карликов, а предсказанная металличность гигантов ([Fe / H] _Giant ) равна медиане пяти выходов ИНС и систематическим ошибкам ( δ [Fe / H] _{Giant, sys} ) — стандартное отклонение этих выходных данных. Как показано на двух верхних панелях рисунка 12, разница между фотометрической и спектроскопической металличностью составляет σ _{[Fe / H]} = 0.16 dex и не показывает какой-либо тенденции с металличностью, за исключением звезд с [Fe / H] <−2.0, как для карликов. Это очень значительное улучшение по сравнению с предыдущими исследованиями, в которых гиганты не рассматривались отдельно от карликов, что привело к завышению их металличности на [Fe / H] = 0,16 dex (Ибата и др., 2017b).

Увеличить Уменьшить Сбросить размер изображения

Рисунок 12. То же, что и рисунок 11, но для гигантов.

Загрузить рисунок:

В отличие от карликов, невозможно удержать только гигантов с относительной точностью параллакса Gaia 20%. При одинаковой светимости гиганты более далеки от карликов, что приводит к большей неопределенности их параллакса. Принятие того же выбора, что и для карликов, создает набор данных только из 1000 звезд, общее распределение металличности которых сильно отличается от общего распределения металличности гигантов.Действительно, подавляющее большинство этих звезд (~ 670) имеют металличность выше, чем [Fe / H]> -1, в то время как 3/4 всего набора данных спектроскопических гигантов имеет металличность ниже, чем [Fe / H] <-1. с пиком около [Fe / H] -1,4 (см. нижнюю панель рисунка 13). Вдобавок более 60% гигантов с точностью параллакса 20% кажутся субгигантскими звездами, ошибочно идентифицированными нашим классификатором карликовых гигантов.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 13. МДФ карликов (верхняя панель) и гигантов (нижняя панель). Серые гистограммы — это спектроскопические MDF из каталога SDSS / SEGUE, использующие металличность, принятую из SSPP. Синяя и красная гистограммы представляют собой предсказанные фотометрические MDF для звезд, где синие и красные линии соответствуют звездам с достоверностью 0,5 и 0,7 соответственно для карлика / гиганта. Избыток карликов около [Fe / H] -0,5 и истощение гигантов, более богатых металлами, чем [Fe / H] = -1,0, являются следствием неправильной классификации настоящих богатых металлами гигантов алгоритмом.

Загрузить рисунок:

Около 2/3 спектроскопических гигантов имеют относительную точность измерения параллакса более 20%. Следовательно, PDF их абсолютной величины не может быть аппроксимирован гауссианом, как это было в случае карликов. Как показали Luri et al. (2018), их PDF-файл асимметричен, и максимум не сосредоточен на «истинной» абсолютной величине. Использование максимума PDF в этих случаях приводит к недооценке расстояния и, следовательно, к занижению абсолютной величины.В зависимости от точности относительного параллакса «истинная» абсолютная величина может быть более чем на 1 σ от значения максимального правдоподобия.

В принципе, мы могли бы выполнить расширение данных набора спектроскопических гигантских данных, чтобы учесть неопределенности различных параметров, особенно параллакса. Это может быть выполнено методом Монте-Карло выборки спектроскопических гигантских данных в диапазоне 2,5 σ –3 σ вокруг максимального правдоподобия наблюдаемых .Чтобы не вносить смещения, это распределение должно быть симметричным относительно максимальной вероятности различных параметров. Однако, чтобы физическая величина оставалась абсолютной, параллаксы должны быть положительными. Это приводит к набору данных, состоящему из звезд с — 2,5 δ > 0, резко сокращая количество звезд, используемых для обучения модели, что также смещает выборку в сторону гораздо более богатых металлами звезд, аналогично эффекту сокращение неопределенностей параллакса, описанных выше.

По этим причинам мы используем все спектроскопические гиганты, у которых есть положительное измерение параллакса. Следуя Hogg et al. (2019) мы применяем качественный отбор по параллаксу, чтобы оставить только гигантов с неопределенностью по параллаксу δ <0,1 мсек. Дуги, чтобы у нас не преобладали звезды с чрезвычайно плохими измерениями. Окончательный набор данных, используемый для обучения / тестирования набора ИНС, состоит из 3497 гигантов. Однако мы обнаружили, что для этой гигантской выборки параллаксы Gaia должны быть скорректированы смещением ₀ = 0.033 мсек. Дуги, чтобы получить разумные расстояния для шаровых скоплений (ШС; см. Раздел 4.3). Это смещение немного выше, чем для карликов ( ₀ = 0,029 мсек. Дуги), но ниже смещения ₀ = 0,048 мсек. Дуги, найденного Hogg et al. (2019) для звезд красных гигантов.

Из-за отсутствия точных параллаксов, точный PDF (и, следовательно, неопределенности) абсолютной звездной величины (вычисленной с использованием уравнения (2)) не может быть известен для большинства гигантов без принятия априорной точки зрения на распределение плотности гигантов. в Млечном Пути.Следовательно, мы не можем оценить неопределенности абсолютной величины с помощью уравнения (3). По этой причине функция потерь, используемая в качестве метрики для ИНС, представляет собой стандартное среднеквадратичное значение, которое не принимает во внимание неопределенности абсолютной величины.

Разброс абсолютной величины, показанный на левой панели рисунка 12, равен dex со смещением ~ -0,28 dex, аналогичным медиане остатков (Me (Δ M _G ) = — 0,28). Это смещение является следствием недооценки расстояния до гигантов с использованием значений, заданных максимумом PDF.Средняя невязка больше, потому что на нее влияют звезды с наибольшими невязками, что является результатом ограниченной статистической выборки.

Действительно, параллаксы Gaia этих звезд неточны, а расстояния, полученные путем инвертирования параллакса, как правило, занижают истинное расстояние до этих звезд (Лури и др., 2018). Таким образом, абсолютные величины, используемые для обучения связи, неточны и, вероятно, недооценены. Поэтому невозможно использовать разброс между предсказанной абсолютной величиной и абсолютной величиной, полученной из параллакса Gaia , чтобы проверить правильность предсказанных расстояний с помощью этого метода.Однако, как мы покажем в Разделе 4.3, используя глобальные скопления, присутствующие в следе CFIS, расстояния до гигантов, определенные таким образом, дают хорошие оценки их реальных расстояний, несмотря на отсутствие точности абсолютных величин, используемых для обучения связи.

Классификация полевых карликов и гигантов в RAVE и ее использование для обнаружения звездных потоков

Аннотация

Образцы ярких звезд, полученные в результате таких обзоров, как RAVE, содержат сопоставимые доли карликовых и гигантских звезд.Поэтому эффективное разделение этих двух классов светимости важно, особенно для исследований, в которых расстояния оцениваются с помощью фотометрических соотношений параллакса. Мы используем доступные спектральные оценки log g из второго выпуска данных RAVE (DR2), чтобы присвоить каждой звезде вероятность быть карликом или субгигантом / гигантом на основе модели смеси, которая соответствует распределению log g в различных цветовых диапазонах. Мы также пытаемся использовать эти звезды в качестве помеченного обучающего набора, чтобы классифицировать звезды, у которых отсутствуют оценки log g, на карликов и гигантов с помощью алгоритма машины опорных векторов.Мы оцениваем эффективность этой классификации в сравнении с различными вариантами входного вектора признаков. В частности, мы используем различные комбинации приведенных собственных движений, видимых звездных величин 2MASS JHK, DENIS IJK и USNO-B B2R2. Наше исследование показывает, что — для наших цветовых диапазонов — одни только инфракрасные диапазоны не предоставляют важной информации для разделения карликов и гигантов. Даже если добавить оптические полосы и уменьшенные собственные движения, доля настоящих гигантов, классифицируемых как карлики (загрязнение), остается выше 20%.Используя только карлики с доступными спектральными картами g и оценками расстояния (последнее из Breddels et al.), Мы затем повторяем поиск потока Klementet al. (KFR08), ​​который предположил, что все звезды были карликами, и заявил об открытии нового звездного потока на V ≈ -160 км с ^-1 в выборке из 7015 звезд из RAVE DR1. Существование потока KFR08 было подтверждено двумя недавними исследованиями с использованием других независимых наборов данных. Наш повторный анализ выборки чистого карлика DR2 показывает, что плотность пяти звезд в фазовом пространстве потока KFR08, с распределением металличности, кажется несовместимым с распределением звезд со сравнительно низкими скоростями вращения.По сравнению с несколькими моделями сглаженного Млечного Пути, среднее стандартизованное отклонение потока KFR08 незначительно и составляет 1,6 ± 0,4. Таким образом, наши данные не позволяют сделать определенные выводы о его существовании, но будущие выпуски данных RAVE и другие (лучшие спектроскопические) обзоры помогут решить эту проблему.

(PDF) Идентификация полевых карликов и гигантов во втором выпуске данных экспериментов по радиальной скорости

448 S. Bilir et al.

Вкладка 2. Количество звезд в шести подвыборках, исследованных в нашей работе, и в тех, которые фигурируют в Ammons et al. (2006). В последних трех столбцах указано число

звезд с отношением S / N меньше 13 и 33 соответственно, а также диапазон χ2.

Ammons et al. (2006) Bilir et al. (2006) Отношение сигнал / шум

Dwarf Giant Dwarf Giant S / N ≤13 S / N ≤33

Подвыборка Процент Процент Всего КПД Процент Всего NNχ2 Диапазон

Ia 48 98 2 4 50 92 95 5 5 97 2 31 [240, 22 502]

Ib 276 98 5 2 281 423 98 10 2 433 7 86 [074, 10 579]

Ic 1335 99 12 1 1347 2005 99 16 1 2021 13 329 [075, 11 826 ]

II 118 04 3237 96 3355 484 12 3567 88 4051 18 428 [024, 16 633]

III 2938 98 46 2 2984 4357 99 51 1 4408 47 950 [046, 13 029]

IV 80 35 146 65 226 211 46 249 54 460 10 90 [045, 09585]

Всего 4795 100 3448 100 8243 7572 100 3898 100 11470 97 1914

276 карликов и пять гигантов Аммонса и др.(2006) с 3 <

log g≤3,5 и J − H≤0,4 занимают карликовую и гигантскую полуплоскости,

соответственно, на рис. 4 (b). Это подтверждает, что 423 звезды с одинаковыми значениями силы тяжести и цвета поверхности

в нашей работе, которые занимают полуплоскость карлика

, являются карликами. На рис. 3 (b) есть 10 звезд (2% от общего числа

звезд), которые занимают гигантскую полуплоскость и должны быть

гигантами.

В разделе 3 мы отметили, что большинство звезд с 3.5

4andJ − H≤0,4 должны быть карликами. Фактически, карлики 2005 г., взятые

у Аммонса и др. (2006), с той же плотностью поверхности и

цветов, подтверждают наше предположение (рис. 4c). Кроме того, 12 из

16 звезд (рис. 3c), которые были классифицированы как гиганты в Ammons et al.

(2006), занимают гигантскую полуплоскость, подтверждая процедуру, согласно которой

разделяет карликов и гигантов с помощью двух полос.

Данные Ammons et al. (2006) также подтверждают результаты, полученные и отмеченные в разделе 3 для подвыборок II (log g≤4, J-H>

0.4), III (log g> 4, J − H≤0,4) и IV (log g> 4, J − H> 0,4).

То есть звезды, идентифицированные как карлики и гиганты в Ammons et al. (2006)

занимают карликовые и гигантские полуплоскости на рис. 4 (d), 4 (e) и 4 (f),

соответственно. На рис. 4 (г) преобладают гиганты, тогда как большинство из

звезд на рис. 4 (д) являются карликами. Как и ожидалось, рис. 4 (f) включает в себя

популяций (гигантов и карликов) в большом количестве.

В таблице 2 значения в двух столбцах перед последним столбцом

обозначают количество звезд с S / N ≤33 и S / N ≤13, что соответствует среднему значению S / N −1σ и S / N ≤

. / N −2σ, соответственно, где

σ = 20 — стандартное отклонение S / N.Эти звезды не показывают какой-либо систематической разницы положения

относительно звезд с более высоким отношением S / N, в

диаграмме J − V с двумя звездными величинами. Наконец, значения в последнем столбце

являются значениями CHISQ (подробности см. В разделе 5).

4.2 Подтверждение с помощью диаграммы поверхностная гравитация – цвет

Мы наносим все подвыборки звезд (Ia, Ib, Ic, II, III и IV) на диаграмму

log gsurface Gravity и J − Hцветную диаграмму и обсуждаем

их идентификации (Рисунок.5). Кроме того, на данные накладываются изохроны

, чтобы различить карликовую область на диаграмме J−

Hversus log gdiagram. Изохроны взяты из базы данных Padova

(Мариго и др., 2008) с использованием веб-интерфейса.2 Для нашей выборки

звезд мы приняли изохроны с металличностью −2≤ [M / H] ≤

+0.2 dex с интервалами 0,5 dex для возрастов 1, 5 и 10 млрд лет. Всего на диаграмме log gversus J − H

нанесено

18 изохрон (рис.5).

Большинство звезд в подвыборке II (log g≤4, J − H> 0,4)

должны быть красными гигантами. Это случай на рис. 2 (b), где 3567 гигантов и 484

2 http://stev.oapd.inaf.it/cgi-bin/cmd

карликов могут быть идентифицированы в соответствии с их положением в Jversus

Диаграмма Vmagnitude. Карлики соответствуют только 12 процентам от общей подвыборки

.

Другое подтверждение можно легко сделать для звезд в подвыборке

III (log g> 4, J − H≤0.4). Большая поверхностная сила тяжести и их положения

на изохронах населения дисков этих звезд указывают на

, что они должны быть карликами. Фактически, количество карликов, идентифицированных по положению на рис. 2 (c)

, составляет 99% от общего числа

звезд этой подвыборки.

Почти половина звезд в подвыборке IV (log g> 4, J − H> 0,4)

лежит на главной последовательности изохрон. Следовательно, эти звезды с большой поверхностной силой тяжести

должны быть карликами.Разрыв в изохронах

при J − H> 0,4 ​​между карликовой ветвью (показанной на рис. 5, панель IV)

и ветвью гиганта (гиганты показаны на рис.

не должно быть звезд с J − H> 0,4 ​​и 4

Рис. 5 показывает, что данные существуют в этом регионе. Скорее всего,

являются результатом ошибок измерения на log g. RAVE DR2 log g

ошибок по консервативной оценке равны 0.5 dex для среднего значения

S / N ∼40. Это достаточно велико, чтобы у карликов с log g> 4,5 можно было измерить

, чтобы иметь log g> 4, а у гигантов с log g <4 можно было измерить

, чтобы получить log g <4,5. Это согласуется с нашим аргументом, что

количество карликов и гигантов в подвыборке IV почти равно

(рис. 2d).

Нелегко подтвердить карликов и гигантов, идентифицированных двумя полосами

, J и V, для подвыборок Ia и Ib с диаграммой зависимости поверхностной силы тяжести

от цвета (рис.5). Хотя 95% из

звезд в подвыборке Ia (log g≤3, J − H≤0,4) занимают карликовую полуплоскость

, их поверхностная сила тяжести мала. Это почти

то же самое для звезд в подвыборке Ib (3

поверхностной силы тяжести имеют верхний предел log g = 3,5. Большинство звезд

в подвыборке Ic (J − H≤0,4, 3,5

изохрон, что указывает на то, что они скорее субгиганты

, чем карлики.Следовательно, мы должны добавить еще одну процедуру к процедуре

Bilir et al. (2006), чтобы отделить субгигантов от карликов и

гигантов.

4.3 Число звезд для разных популяций оценивается

с использованием модели Галактики

Мы используем модель Галактики Безансон (Робин и др., 2003) для оценки

количества звезд для разных популяций (т. Е. Карлика, субгиганта

и гигант) в нашей выборке. Мы сравниваем их с полученными

с использованием процедуры Bilir et al.(2006). Модель синтеза звездного населения Галактики Безансон

представляет собой инструмент моделирования, используемый для

проверки сценариев эволюции Галактики путем сравнения звездных распределений

, предсказанных этими сценариями, с наблюдениями, такими как фотометрические

C

2011 Авторы, MNRAS 418, 444–455

Ежемесячные уведомления Королевского астрономического общества C

2011 RAS

Загружено с https://academic.oup.com/mnras/article-abstract/418/1/444/962782 гостем 10 сентября 2018 г.

От карликов до гигантов: вклад Южной Америки в историю гормона роста и связанных с ним заболеваний

Основные моменты

•

Патагония стала означать «Страна Большоногих», но это миф, что был домом гигантских человеческих существ

•

В Южной Америке живут две из самых больших популяций карликов в мире

•

Бернар o Уссе был первым ученым в Латинской Америке, удостоенным Нобелевской премии

•

Хосе Дантас де Соуза Лейте получил международное признание благодаря своему вкладу в первоначальное описание Акромегалии

Аннотация

Цель Данная статья представляет собой исторический обзор гигантов и карликов, живущих в Южной Америке, и вклад южноамериканских исследователей в научные достижения в области гормона роста (GH) и заболеваний человека, связанных с избытком GH и дефицитом GH (GHD).Мы вернулись в прошлое, чтобы исследовать факты и мифы, вытекающие из бесчисленных сообщений о гигантах, которые жили в регионе Патагония, сосредоточив внимание на том, что в настоящее время известно о гигантизме в Южной Америке. Кроме того, мы рассмотрели исключительную работу, выполненную в двух крупнейших в мире когортах карликовости, связанных с осью GH-IGF: одна из них живет в Итабаианинья, Бразилия, страдает тяжелым GHD из-за мутации рецептора GHRH ( GHRHR ). ген, и другие, живущие в провинциях Эль-Оро и Лоха в Эквадоре, которые являются носителями мутации гена рецептора GH, вызывающей полную нечувствительность к GH (синдром Ларона).Важно отметить, что мы представляем обзор выдающегося медицинского вклада Хосе Дантаса де Соуза Лейте, бразильского врача, описавшего первые случаи акромегалии, и Бернардо Альберто Хусая, аргентинского исследователя, удостоенного Нобелевской премии, который был одним из первых ученых, получивших Нобелевскую премию. установить связь между GH и метаболизмом глюкозы.

Ключевые слова

Гигантизм

Акромегалия

Карликовость

Дефицит гормона роста

Синдром Ларона

Изолированный дефицит гормона роста, тип II

История медицины

Рекомендуемые статьи

Рекомендуемые статьи

Ссылки на статьи