利用 $\texttt{cecilia}$ 对五颗氦-大气白矿星吸积物的机器学习成分研究

我们首次将机器学习管道 $\texttt{cecilia}$ 应用于确定五颗大气层中含氧矿星无明确元素丰度特征的物理参数和光谱成分。为实现此目标，我们对其 SDSS（R=2000）和 Keck/ESI（R=4500）光谱进行联合、迭代的贝叶斯拟合，覆盖约 3800 Å至 9000 Å 的波段。我们的分析测量至少两种——最高多达六种——化学元素的丰度，预测精度类似于传统 WD 分析技术（约 0.20 dex）。在检测到最多重元素的白矿星为 SDSS J0859+5732 和 SDSS J2311-0041，其 Keck/ESI 光谱中同时检测到 O、Mg、Si、Ca 和 Fe。对于所有系统，我们发现其污染物的总体成分与原始 CI 铁矿石在 1-2σ 范围内一致。我们还发现 SDSS J0859+5732 和 SDSS J2311-0041 存在统计上显著（>2σ）的氧超标，这可能指向其吸积的氧富外星行星物质。在未来，随着宽场天文观测为科学界提供数百万颗公开 WD 光谱，$\texttt{cecilia}$ 将能够解锁对污染 WD 群体的大规模研究，从而提高我们对 extrasolar 成分的统计知识。