利用深度学习通过γ剑鱼座恒星星震学约束恒星演化理论

中等质量恒星内部角动量与化学元素的输运效率缺乏适当标定，从而给恒星演化路径带来不确定性。改进需要更好地估计恒星质量、演化阶段和内部混合性质。我们旨在开发一种用于星震建模的神经网络方法，并测试其为一样本37颗 $\gamma$ 剑鱼座恒星提供恒星质量、年龄和超射参数的能力。此处，我们的目标是通过对具有连续径向阶数的偶极模式所测得的单个周期进行建模来完成参数估计。我们已训练神经网络，对于给定的质量、年龄、超射参数、扩散包层混合、金属丰度和近核自转频率，预测高阶重力模的理论脉动周期以及光度、有效温度和表面重力。我们已将我们的神经网络（用于计算脉动周期与光球可观测量的C-3PO）应用于我们的样本，并针对估计参数计算恒星脉动模型网格。我们给出了近核自转速率（来自文献）随推断恒星年龄和临界自转速率的变化关系。我们假设刚性自转，评估了样本在主序初期的自转速率。此外，我们测量了核超射区域的范围，发现其与质量、年龄或自转均无相关性。本研究中开发的神经网络方法能够推导对恒星演化起主导作用的恒星性质——如质量、年龄和核边界混合程度。它也为未来估计辐射包层中的混合剖面开辟了道路，旨在为大量 $\gamma$ 剑鱼座恒星推断这些剖面。