一种基于红外吸收光谱预测天文冰层成分的快速机器学习工具

James Webb Space Telescope (JWST) 当前的观测使我们能够观测到覆盖星际尘埃颗粒的冰幔的吸收特征，这些冰幔主要由 $\mathrm{H_2O}$、$\mathrm{CO}$ 和 $\mathrm{CO_2}$ 以及其他少量物种组成。得益于其灵敏度和光谱分辨率，JWST 有潜力观测恒星形成过程中不同阶段的数百个源的冰层特征。然而，识别不同物种的光谱特征并量化冰层成分并非易事，需要复杂的光谱分析。我们提出了 Automatic Ice Composition Estimator (AICE)，一种基于人工神经网络的新工具。基于 2.5 至 10 微米之间的红外 (IR) 冰层吸收光谱，AICE 预测以 $\mathrm{H_2O}$、$\mathrm{CO}$、$\mathrm{CO_2}$、$\mathrm{CH_3OH}$、$\mathrm{NH_3}$ 和 $\mathrm{CH_4}$ 表示的冰层分数组成。为训练该模型，我们使用了来自不同数据库的数百个冰混合物实验室实验数据，并对其进行了基线扣除和归一化处理。训练完成后，AICE 在普通计算机上预测与观测到的 IR 吸收光谱相关的冰层成分仅需不到一秒，物种分数的典型误差约为 $\sim$3 $\%$。我们在 JWST Ice Age 项目观测到的 NIR38 和 J110621 背景星的两条光谱上测试了其性能，证明其与先前对冰层成分的估计具有良好的一致性。AICE 快速且准确的性能使得只需投入少量时间即可对数百条不同的冰层光谱进行系统分析。此外，该模型可通过更多实验室数据进行增强和重新训练，从而提高预测精度并扩展可预测物种列表。