基于深度学习从高分辨率光谱数据获取多元素丰度
摘要
人工神经网络深度学习因其面向数据驱动天文学的潜力而日益受到关注。然而，该方法通常不能提供不确定性估计，且无法处理训练数据中的不完整性与噪声。在本工作中，我们利用 APOGEE 数据设计了一个用于高分辨率光谱分析的神经网络，其模拟了标准光谱分析方法：恒星参数使用全波长范围确定，而单个元素丰度则使用经过筛选的光谱片段。我们使用一个处理不完整和含噪训练数据的自定义目标函数训练该网络，并应用 dropout 变分推断推导预测的不确定性。即使在低信噪比下，我们也能以约 0.03 dex 的精度确定参数及 18 种单个元素的丰度。我们证明，本方法返回的不确定性是对精度的现实估计，并且在遇到训练集之外的输入或输出时会自动放大，从而保护用户免受不期望的外推影响。通过使用标准的 GPU 加速深度学习工具，我们的方法极快，可在单块低成本 GPU 上于十分钟内分析包含约 250,000 条光谱的整个 APOGEE 数据集。我们发布了整个 APOGEE DR14 数据集的恒星参数与 18 种单个元素丰度及其关联不确定性。同时，我们发布了 astroNN，这是一个为本工作开发且经过充分测试的、开源的 python 包，但也设计为用于天文学深度学习的通用包。astroNN 可在 https://github.com/henrysky/astroNN 获取，文档见 http://astroNN.readthedocs.io。
引用
@article{arxiv.1808.04428,
title = {Deep learning of multi-element abundances from high-resolution spectroscopic data},
author = {Henry W. Leung and Jo Bovy},
journal= {arXiv preprint arXiv:1808.04428},
year = {2019}
}
备注
Accepted 08 November 2018 to MNRAS. astroNN available at https://github.com/henrysky/astroNN and paper-specific code available at https://github.com/henrysky/astroNN_spectra_paper_figures