Astrometri. Pencarian kami sangat bergantung pada jarak berbasis paralaks, yang dapat diperkirakan secara salah jika model bintang tunggal gagal sesuai dengan pengamatan astrometri. Untuk menilai keandalan jarak, Gaia menyediakan penormalan kembali Unit Weight Error (RUWE), sebuah parameter yang memberi tahu kita seberapa cocok observasi astrometri dengan solusi astrometri. Nilai RUWE cenderung mendekati 1,0 untuk sumber yang berperilaku baik, sedangkan nilai yang jauh lebih tinggi yang melebihi 1,0 mungkin mengindikasikan sumber yang tidak tunggal atau bermasalah. Untuk memastikan astrometri yang andal, kami menerapkan ambang batas RUWE konservatif sebesar 1,4. Sumber yang melampaui ambang batas ini dikecualikan sebagai kandidat potensial untuk meminimalkan objek dengan perkiraan jarak yang tidak dapat diandalkan. Penelitian lain (misalnya Stassun & Torres 2021) telah menunjukkan korelasi yang signifikan antara statistik RUWE dan sistem biner yang belum terselesaikan. Sistem biner dapat menghasilkan debu hangat melalui proses seperti tabrakan planet yang dahsyat (misalnya Weinberger 2008; Thompson dkk. 2019). Mengingat bahwa sistem tersebut mungkin memiliki jarak yang tidak akurat dan menunjukkan kelebihan fluks MIR, kriteria RUWE yang disebutkan di atas membantu dalam menolak sumber yang berpotensi terdiri dari biner yang dikelilingi oleh debu hangat, serta sumber yang memiliki astrometri bermasalah.
Kemungkinan bintang. Gaia juga mengklasifikasikan sumber ke dalam kategori yang berbeda. Kami menggunakan salah satu metrik probabilitas Gaia DR3 menyediakan untuk memastikan sumbernya kemungkinan besar adalah bintang. Secara khusus, kami menggunakan  ___>0,9   untuk mempertimbangkan kandidat sumber kami. Kami tidak menemukan perbedaan saat membandingkan matrik klasifikasi serupa.
Sumber menolak sejauh ini. Dari semua kriteria yang diuraikan dalam Bagian 2.5, kriteria RUWE menyangkal jumlah kandidat terbanyak. Sebanyak 282 sumber ditolak berdasarkan kriteria ini saja, yang setara dengan sekitar setengah dari seluruh sumber yang ditolak berdasarkan kriteria apa pun di Bagian 2.5. Emisi H, variabilitas optik, dan kriteria bendera yang diperluas berkontribusi sama terhadap pemotongan lainnya. Kami memperhatikan bahwa lebih dari 1000 sumber memiliki H EW negatif. Namun, ketidakpastiannya begitu besar sehingga kami tidak dapat memastikan emisi H pada tingkat 3.
kriteria SNR. Setelah menerapkan semua pemotongan yang disajikan di Bagian 2, kami mendapatkan 5137 sumber dengan SED mirip DS. Oleh karena itu, kami melanjutkan untuk memeriksa secara visual beberapa di antaranya WISE3/DI WISE4 gambar kandidat ini. Langkah ini mengungkapkan bahwa sebagian besar dari mereka tampaknya tidak meyakinkan sebagai sumber yang aman. Dalam banyak kasus, sumber-sumber ini tampak tidak beraturan atau menyatu dengan kebisingan latar belakang. Meskipun BIJAK reduksi data menganggap sinyal apapun dengan nilai SNR lebih tinggi dari 2 sebagai deteksi, banyak dari deteksi ini tidak dapat diandalkan dan gagal mewakili sumber inframerah asli; sebagian besar gambar yang diperiksa cocok dengan pola ini. Oleh karena itu, pemotongan tambahan diterapkan berdasarkan SNR dari 5000 sumber ini. Kami memilih sumber dengan SNR lebih tinggi dari 3,5 pada keduanya WISE3 dan DI WISE4 band, menghasilkan 368 sumber.
Inspeksi visual. Setelah menolak semua sumber dengan SNR rendah, kami melakukan inspeksi visual kedua untuk semua sumber yang selamat dari pemotongan SNR. Pemeriksaan visual dari BIJAK gambar (misalnya Ribas dkk. 2012; Sgro & Lagu 2021) adalah teknik umum untuk mengidentifikasi dan menolak sumber yang tidak dapat diandalkan, karena tidak semua tanda atau metrik disediakan oleh BIJAK dapat mengatasi permasalahan dalam reduksi data. Mengikuti pengawasan semuanya BIJAK gambar, kami mengkategorikan tiga jenis perancu: campuran, struktur tidak beraturan, dan fitur nebular. Ara. 5 menggambarkan perbedaan antara kelas-kelas ini. Di baris atas, kami menampilkan 'blend case', dimana sumber tumpang tindih dengan sumber eksternal di dalam aperture BIJAK band, terutama terlihat di WISE3 dan WISE4 band. Gambar optik dengan resolusi lebih tinggi memudahkan pendeteksian campuran. Meskipun beberapa kontaminan tidak memancarkan cahaya optik, jika sumber inframerah tampak bergeser secara signifikan dari pusat gambar dan tidak memiliki emisi optik, maka sumber tersebut dianggap campuran dan selanjutnya ditolak.
Terakhir, untuk tujuh sumber yang teridentifikasi sebagai kandidat potensial, kami melakukan penelusuran terhadap sumber sinar-X terdekat. Sinar-X adalah alat yang ampuh untuk menelusuri daerah pembentuk bintang di langit (misalnya Sciortino 2022), menunjukkan bahwa kandidat kita mungkin adalah bintang muda jika ada sumber sinar-X yang terkait dengan pembentukan bintang di sekitarnya. Setelah mencari XMM--Newton arsip sains, kami tidak menemukan bukti sumber sinar-X di sekitar kandidat kami yang dapat dikaitkan dengan pembentukan bintang. Dalam satu contoh, terdapat sumber sinar-X sekitar 14 arcmin dari seorang kandidat; namun, sumber ini dipastikan adalah galaksi Seyfert.
HASIL. Di meja 5, kami merangkum semua kandidat. Inspeksi visual kami menunjukkan bahwa sumber-sumber ini adalah sumber radiasi infra merah sebenarnya yang tidak terkena kontaminasi apa pun. Mengingat terbatasnya jumlah kandidat, kami merevisi pemasangan model kami menggunakan grid yang lebih halus dibandingkan dengan yang digunakan di Bagian 2.3. Kali ini, kami membandingkan data kami dengan model 6216900, yang mencakup 391 DS suhu efektif yang berkisar antara 10 hingga 400 K dan 60 faktor penutup yang berkisar antara 104 menjadi 0,4. Meja 5 menyajikan perkiraan suhu DS yang diperbarui dan faktor penutupnya.
DISKUSI. Kami melakukan pencarian komprehensif untuk sumber yang menunjukkan SED yang kompatibel dengan bintang yang menghosting DS parsial. Pencarian terakhir semacam ini dilakukan oleh Carrigan (2009), yang hanya mencari DS lengkap ( = 1) menggunakan data IRAS. Kami menganalisis sampel yang jauh lebih besar, yaitu sekitar 320000 sumber dari Gaia Kumpulan data DR3-2MASS-AllWISE dengan WISE3/WISE4 deteksi, yang hampir 30 kali lebih besar dari sampel Carrigan. Hasilnya, kami mengidentifikasi tujuh sumber yang menampilkan kelebihan arus MIR yang tidak diketahui asalnya. Berbagai proses yang melibatkan material meliputi sekitar bintang di sekitar bintang, seperti interaksi biner, bintang pra-deret utama, dan cakram puing-puing hangat, dapat berkontribusi terhadap kelebihan MIR yang diamati (misalnya Cotten & Song 2016). Kennedy & Wyatt (2013) memperkirakan tingkat kemunculan debu yang hangat dan terang. Tingkat kejadiannya adalah 1 per 100 untuk sumber yang sangat muda, sedangkan untuk sistem lama (>1 Gyr) menjadi 1 per 10000. Namun, hasil pemeriksaan variabilitas kami menunjukkan bahwa sumber kami bukanlah bintang muda. Jika kandidat kita adalah bintang-bintang muda, hal ini dapat menjelaskan kelebihan inframerah dan akan menyamai tingkat kemunculannya. Namun demikian, perlu dicatat bahwa meskipun jarang, literatur telah mendokumentasikan keberadaan bintang-bintang pra-deret utama dengan nilai rendah.  var  nilai-nilai (misalnya Vioque dkk. 2020). Di sisi lain, pemeriksaan astrometri kami, yang sangat bergantung pada parameter RUWE, menunjukkan bahwa solusi astrometri bintang tunggal dapat diterapkan pada sumber kami. Terlepas dari kenyataan bahwa kami memilih ambang batas konservatif untuk  var  dan parameter RUWE (masing-masing 2 dan 1,4), kandidat kami memiliki nilai yang jauh di bawah ambang batas yang dipilih. Itu  var  dan nilai-nilai RUWE biasanya berkisar pada kesatuan.
KESIMPULAN. Setelah menganalisis fotometri optik/NIR/MIR 5 106 sumber, kami menemukan tujuh M dwarfs yang menunjukkan kelebihan inframerah yang sifatnya tidak jelas yang kompatibel dengan model DS kami. Kami memodelkan DS dengan suhu berkisar antara 100 hingga 700 K dan mencakup faktor dari 0,1 hingga 0,9. Ada beberapa penjelasan alami mengenai kelebihan inframerah dalam literatur, namun tidak satupun yang secara jelas menjelaskan fenomena tersebut pada kandidat, terutama mengingat semuanya adalah katai M.
Kami berpendapat bahwa spektroskopi lanjutan akan membantu kami mengungkap sifat sumber-sumber ini. Secara khusus, menganalisis wilayah spektral di sekitar H dapat membantu kita membuang atau memverifikasi keberadaan cakram muda dengan menganalisis potensi emisi H. Spektroskopi di wilayah MIR akan sangat berguna dalam menentukan apakah emisi tersebut berkaitan dengan satu benda hitam, seperti yang kami asumsikan dalam model kami. Selain itu, spektroskopi dapat membantu kita menentukan tipe spektral sebenarnya dari kandidat kita dan pada akhirnya menolak adanya perancu.
Kami ingin menekankan bahwa meskipun kandidat kami menampilkan properti yang konsisten dengan DS parsial, terlalu dini untuk berasumsi bahwa MIR yang disajikan dalam sumber-sumber ini berasal dari DS parsial. Kualitas data MIR untuk objek ini biasanya cukup rendah, dan diperlukan data tambahan untuk menentukan sifatnya.
