深度神经网络在恒星光谱分析中的应用
天体物理仪器与方法
2018-02-21 v2 太阳与恒星天体物理
摘要
光谱巡天需要快速高效的分析方法以最大化其科学影响力。在此，我们应用一种深度神经网络架构来分析SDSS-III APOGEE DR13和合成恒星光谱。当我们的卷积神经网络模型（StarNet）在APOGEE光谱上进行训练时，我们展示出恒星参数（温度、表面重力和金属丰度）的确定精度和准确度与APOGEE管线相当。StarNet在合成数据上训练后也能预测恒星参数，对APOGEE数据和合成数据均具有出色的精度和准确度，覆盖了广泛的信噪比范围。此外，恒星参数测定中的统计不确定度与APOGEE管线结果和独立从光学光谱确定的结果之间的差异相当。我们将StarNet与其他数据驱动方法进行比较；例如，当使用相同数据集训练时，StarNet和Cannon 2表现出相似的行为，然而StarNet在像原始Cannon所用的小训练集上表现不佳。通过StarNet模型结果对输入光谱的偏导数，我们考察了光谱特征对恒星参数的影响。虽然StarNet是利用APOGEE观测光谱和相应的ASSET合成数据开发的，但我们认为该技术适用于其他波长范围和其他光谱巡天。
引用
@article{arxiv.1709.09182,
title = {An Application of Deep Neural Networks in the Analysis of Stellar Spectra},
author = {Sebastien Fabbro and Kim Venn and Teaghan O'Briain and Spencer Bialek and Collin Kielty and Farbod Jahandar and Stephanie Monty},
journal= {arXiv preprint arXiv:1709.09182},
year = {2018}
}
备注
Accepted 19 December 2017 to MNRAS. 16 pages, 14 figures, 2 appendices