在机器学习框架下评估 LTE 与 NLTE 合成恒星光谱的性能
天体物理仪器与方法
2020-09-03 v2 太阳与恒星天体物理
摘要
在当前恒星光谱巡天时代，合成光谱库是推导恒星参数与化学丰度的基础。本文中，我们利用五种流行的合成光谱网格（INTRIGOSS、FERRE、AMBRE、PHOENIX 和 MPIA/1DNLTE）与我们的卷积神经网络（CNN, StarNet）比较所确定的恒星参数。针对来自 Gaia-ESO 巡天的光学 FLAMES-UVES 光谱的光谱分辨率、信噪比和波长范围，确定了六个物理属性（有效温度、表面重力、金属丰度、[α/Fe]、径向速度和自转速度）的恒星参数。CNN 建模与认知不确定性均通过训练网络集成来纳入。StarNet 的训练也经过调整，通过加入真实观测特征（即分辨率匹配、波长采样、高斯噪声、流量值置零、自转与径向速度、连续谱去除和掩蔽大气吸收区）来减轻合成网格与观测光谱之间的差异。使用 FGK 型矮星与巨星作为测试集的 FLAMES-UVES 光谱，我们量化了 StarNet 恒星标签预测的准确度与精度。我们发现，当 StarNet 在 MPIA/1DNLTE 合成网格上训练时，在广泛参数范围内结果极佳；在 1DLTE 网格上训练时，在较小参数范围内结果可接受。这些测试还表明，我们的 CNN 流程对多种模拟网格具有高度适应性。
引用
@article{arxiv.1911.02602,
title = {Assessing the performance of LTE and NLTE synthetic stellar spectra in a machine learning framework},
author = {Spencer Bialek and Sébastien Fabbro and Kim A. Venn and Nripesh Kumar and Teaghan O'Briain and Kwang Moo Yi},
journal= {arXiv preprint arXiv:1911.02602},
year = {2020}
}
备注
20 pages, 17 figures, published by MNRAS. Code for StarNet available at https://github.com/Spiffical/StarNet