用于高分辨率光谱数据建模的可解释机器学习框架

将阶梯光栅光谱与合成模型进行比较已成为一项计算统计挑战，典型冷星阶梯光栅光谱受上万条独立谱线影响。天光 artifacts、不完美的线列表、不精确的连续谱归一化以及缺乏灵活性的模型，阻碍了这些富含信息的数据集在科学上的潜力。在此我们推出一个可解释机器学习框架“blasé”，以应对这些及其他挑战。该半经验方法可视为“迁移学习”——先在无噪声的预计算合成光谱模型上预训练模型，再通过整谱拟合到观测光谱来学习谱线深度与宽度的修正。该自动微分模型采用反向传播，即赋能现代深度学习与神经网络的基算法。然而此处，40000余个参数代表的是物理上可解释的谱线轮廓属性，如振幅、宽度、位置和形状，以及视向速度与转动展宽。这一数据/模型混合驱动框架允许同时对恒星线与天光线进行联合建模，是减轻近红外有害天光污染潜在变革性的一步。blasé方法兼具反卷积工具与半经验模型之功。其通用架构或可扩展至诸多科学应用，包括精密视向速度、多普勒成像、化学丰度与遥感。其稀疏矩阵架构与GPU加速使blasé运行迅速。基于PyTorch的开源代码包含教程、应用程序编程接口（API）文档等。我们展示了该工具如何融入现有Python光谱生态，演示了一系列天体物理应用，并讨论了局限性与未来扩展。