一种神经网络方法用于确定M型矮星星的光谱金属丰度

M型矮星是银河系中最丰富的恒星，作为星体和系外行星研究的关键目标。由于其光谱复杂，确定其金属丰度具有挑战。因此，许多作者专注于M矮星的光度金属丰度估计。尽管人工神经网络已在现代天文学中使用，但其应用于M矮星的光度金属丰度估计仍未探索。我们开发了一种准确的方法，用于使用人工神经网络估计M矮星的光度金属丰度，以解决传统经验方法的局限性。我们在M矮星数据集上训练神经网络，数据集中包含通过光谱法确定的金属丰度。我们使用来自 Gaia、2MASS 和 WISE 的八个绝对光度作为输入特征。批归一化和 dropout 正则化稳定了训练过程，防止过拟合。我们应用蒙特卡罗 dropout 技术获得更稳健的预测。神经网络在 -0.45<[Fe/H]<0.45dex 的金属丰度范围内以及至late M5.0V 的光谱类型上，准确估计了M矮星的光度金属丰度。在测试样本上，预测的不确定性可降低到 0.08dex。这超越了以前的方法的精度。我们进一步使用46颗在FGK型主要星星中具有明确金属丰度的广位二元星系样本进行了验证，实现了优异的预测性能，优于 0.1dex 的误差阈值。这一研究为估计M矮星的光度金属丰度提供了基于机器学习的框架，为分析大型光度调查提供了可扩展的数据驱动解决方案。结果表明，人工神经网络有潜力提高星体参数的确定。