基于多层神经网络的类太阳恒星基本参数的星震测定
太阳与恒星天体物理
2016-09-07 v2
摘要
诸如 CoRoT 和 Kepler 等天基观测台的出现，使得对数千颗恒星的恒星演化理解得以检验。演化模型通常需要五个输入参数：质量、初始氦丰度、初始金属丰度、混合长度（假设随时间恒定）以及恒星需演化到的年龄。其中一些参数在表征相关行星和研究银河系考古学中也非常有用。如何从观测中快速准确地获取这些参数，特别是在数千颗恒星巡天的背景下，是一个悬而未决的问题，一直未能直接解决。对于给定恒星，我们通常通过光谱测量有效温度和表面金属丰度，并通过空间观测台测量低阶振荡频率。本文证明，使用人工神经网络的统计学习能成功地基于光谱和星震测量确定演化参数。我们训练的网络在广阔参数空间上表现出鲁棒性，且关键的是，计算成本极低且完全自动化。我们使用该方法分析了若干恒星的观测数据，结果与其他技术获得的推断吻合良好。该方法计算成本低且推断准确，为分析过去、当前和未来任务的大量恒星观测铺平了道路。
引用
@article{arxiv.1602.00902,
title = {Asteroseismic determination of fundamental parameters of sun-like stars using multi-layered neural networks},
author = {Kuldeep Verma and Shravan Hanasoge and Jishnu Bhattacharya and H M Antia and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:1602.00902},
year = {2016}
}
备注
Submitted. 9 pages, 7 Figures, 1 Table, MNRAS