Preview

PDF, English - main document Download (74MB) | Terms of use

Abstract

The Large Magellanic Cloud (LMC) exhibits an extraordinary star-forming activity, providing excellent targets for star formation research. Photometric observations with the Hubble Space Telescope (HST) allow for deep, high-resolution studies of young stellar clusters and still-forming pre-main-sequence (PMS) stars in the LMC. In this thesis we study two LMC star-forming complexes, the Tarantula Nebula and N44. Using HST photometry of the Tarantula Nebula from the "Hubble Tarantula Treasury Project" (HTTP), we devise a machine-learning (ML) classification procedure to identify PMS stars from photometry and recover the PMS population captured by the HTTP survey. We introduce new HST observations of N44, the "Measuring Young Stars in Space and Time" (MYSST) survey, identify N44’s PMS content with our ML classification procedure, and conduct a clustering analysis of the identified PMS stars. Additionally, we develop a conditional invertible neural network approach to predict stellar physical parameters from photometric observations, based on the PARSEC stellar evolution models. We perform a test on HST observations of the Milky Way clusters Westerlund 2 and NGC 6397, and successfully confirm previous findings on e.g. the age of Westerlund 2. For NGC 6397, however, we identify discrepancies between the PARSEC stellar evolution models and HST observations that prevent accurate predictions.

Translation of abstract (German)

Die Große Magellansche Wolke (LMC) besitzt eine außergewöhnliche Sternentstehungsaktivität und bietet hervorragende Ziele für Sternentstehungsforschung. Photometrische Beobachtungen mit dem Hubble-Weltraumteleskop (HST) erlauben tiefe, hochauflösende Studien von Sternhaufen und von in der Entstehung befindlichen Vorhauptreihensternen in der LMC. In dieser Dissertation untersuchen wir zwei Sternentstehungskomplexe der LMC, den Tarantelnebel und N44. Mit Hilfe der HST-Photometrie des Tarantelnebels vom „Hubble Tarantula Treasury Project“ (HTTP) entwickeln wir eine Klassifikationsprozedur mit maschinellem Lernen (ML), um Vorhauptreihensterne anhand von Photometrie zu identifizieren und ermitteln die Vorhauptreihenpopulation des Tarantelnebels. Wir stellen außerdem neue HST-Beobachtungen von N44 vor, das „Measuring Young Stars in Space and Time“ (MYSST) Projekt, identifizieren die Vorhauptreihensterne in N44 mit unserer ML-Klassifikationsmethode und führen eine Clustering-Analyse der identifizierten Vorhauptreihensterne durch. Zusätzlich entwickeln wir ein Conditional Invertible Neural Network mit Hilfe der PARSEC Sternentwicklungsmodelle, um physikalische Eigenschaften von Sternen anhand photometrischer Beobachtungen vorherzusagen. Wir testen unsere Methode auf HST-Beobachtungen der Sternhaufen Westerlund 2 und NGC 6397 in der Milchstraße und können erfolgreich bekannte Ergebnisse für z.B. das Alter von Westerlund 2 bestätigen. Für NGC 6397 jedoch identifizieren wir eine Diskrepanz zwischen den PARSEC Sternentwicklungsmodellen und HST-Beobachtungen, welche präzise Vorhersagen verhindert.