深度学习应用于具有相干振荡模式的星震学建模
太阳与恒星天体物理
2019-08-29 v1
摘要
我们开发了一种基于机器学习原理的新方法，以在多 D 参数空间中对前向星震学建模的 CPU 密集型计算实现最优初始化。一个深度神经网络在预计算的星震学网格上训练，该网格包含约 6200 万条由恒星演化模型导出的相干振荡模式频率。这些模型代表中质量和高质量恒星的核氢燃烧阶段。演化模型构成 6D 参数空间，并使用遗传算法扫描它们预测的低阶压力模和重力模振荡。创建了一个软件流水线，以为给定的一组观测振荡频率寻找最佳拟合恒星参数。所提方法在不到一分钟内找到 6D 参数空间中的最优区域，从而为在高维背景下进一步更详细的前向星震学建模提供最优起点。我们测试并将该方法应用于七颗脉动恒星，这些恒星先前由基于 统计的经典网格前向建模进行了星震学建模，并与过去结果获得良好一致。我们的深度学习方法开启了在 +6D 参数空间中对数千颗以长寿命相干模式脉动的恒星进行星震学建模的应用，这些恒星由 空间望远镜观测到并将被 TESS 和 PLATO 空间任务发现，而迄今为止的应用仅针对少数案例逐星进行。我们的方法开源，任何人可自由使用。
引用
@article{arxiv.1811.03639,
title = {Deep Learning Applied to the Asteroseismic Modeling of Stars with Coherent Oscillation Modes},
author = {Luc Hendriks and Conny Aerts},
journal= {arXiv preprint arXiv:1811.03639},
year = {2019}
}
备注
Accepted for publication in PASP Speciale Volume on Machine Learning