Milky Way Gaia Doctoral Network: revisiting the asymptotic giant branch stellar evolutionary phase with Gaia and other data

Abstract

This thesis explores the evolution and mass loss of carbon-rich Asymptotic Giant Branch (AGB) stars, moving beyond traditional static astrophysical models. By integrating photometric data from large-scale surveys like Gaia, the research presents a homogeneous, large-scale Spectral Energy Distribution (SED) analysis of over 14,000 stars. To capture the highly dynamic nature of these objects, the work introduces a pioneering phase-resolved SED fitting approach for Mira variables, tracking the intra-cycle variations of their physical parameters. This atmospheric study is further supported by targeted multi-epoch spectroscopic campaigns, which constrain atmospheric shock dynamics through H-alpha emission analysis. Finally, to manage massive datasets and optimize the interpolation of complex synthetic grids, the thesis implements advanced Machine Learning architectures (such as XGBoost and Deep Neural Networks), laying the groundwork for future time-resolved 3D hydrodynamical modeling.

Η παρούσα διατριβή διερευνά την εξέλιξη και την απώλεια μάζας των πλούσιων σε άνθρακα αστέρων του Ασυμπτωτικού Κλάδου των Γιγάντων (AGB), προχωρώντας πέρα από τα παραδοσιακά στατικά αστροφυσικά μοντέλα. Ενσωματώνοντας φωτομετρικά δεδομένα από μεγάλης κλίμακας επισκοπήσεις όπως η Gaia, η έρευνα παρουσιάζει μια ομοιογενή, μεγάλης κλίμακας ανάλυση της Φασματικής Κατανομής Ενέργειας (SED) για περισσότερους από 14.000 αστέρες. Για την αποτύπωση της εξαιρετικά δυναμικής φύσης αυτών των αντικειμένων, η μελέτη εισάγει μια πρωτοποριακή προσέγγιση προσαρμογής SED με ανάλυση φάσης (phase-resolved SED fitting) για τους μεταβλητούς αστέρες τύπου Mira, παρακολουθώντας τις μεταβολές των φυσικών τους παραμέτρων εντός του κύκλου τους. Αυτή η ατμοσφαιρική μελέτη υποστηρίζεται περαιτέρω από στοχευμένες φασματοσκοπικές παρατηρήσεις πολλαπλών εποχών, οι οποίες προσδιορίζουν τη δυναμική των ατμοσφαιρικών κρουστικών κυμάτων μέσω της ανάλυσης εκπομπής Hα. Τέλος, για τη διαχείριση τεράστιων συνόλων δεδομένων και τη βελτιστοποίηση της παρεμβολής πολύπλοκων συνθετικών πλεγμάτων, η διατριβή εφαρμόζει προηγμένες αρχιτεκτονικές Μηχανικής Μάθησης (όπως XGBoost και Βαθιά Νευρωνικά Δίκτυα - DNN), θέτοντας τα θεμέλια για μελλοντική χρονικά αναλυμένη (time-resolved) 3D υδροδυναμική μοντελοποίηση.