基于卷积神经网络从测光时序数据的数据驱动恒星性质推导

恒星变率由依赖于基本恒星性质的多种内部物理过程驱动。这些性质是我们调和恒星观测与恒星物理、并在星系形成背景下理解恒星族分布的桥梁。众多正在进行与即将开展的巡天任务正在绘制恒星亮度随时间的变化，其编码了诸如自转周期、演化状态（如有效温度与表面重力）以及质量（通过星震参数）等物理过程的信息。在此，我们探究仅使用测光时序数据能在多大程度上跨不同演化状态预测这些恒星性质。为此，我们实现了一个卷积神经网络，并通过数据驱动建模从具有不同时基与采样率的的光变曲线预测恒星性质。基于单季度\textit{Kepler}数据，我们恢复了恒星性质，包括红巨星的表表面重力（不确定度$\lesssim$0.06 dex）与主序星的自转周期（不确定度$\lesssim$5.2天，且在$\approx$5至40天间无偏）。将\textit{Kepler}数据缩短为27天TESS-like时基，我们以精度略降恢复恒星性质，log $g$约0.07 dex、$P_{\rm rot}$约5.5天，在$\approx$5至35天间无偏。我们灵活的数据驱动方法充分利用数据的全部信息量，所需特征工程极少，并可推广至其他巡天与数据集。这有望为当前与未来巡天中数百万恒星提供恒星性质估计。