利用深度学习检测红巨星的太阳型振荡

来自 Kepler 和 K2 等空间任务的数万颗红巨星的时间分辨测光数据，催生了对自动化星震学分析方法的需要。此类分析的第一步也是最根本的一步，是识别哪些恒星存在振荡。这一步骤必须能够以无检测偏差或极小检测偏差的方式完成，尤其在进行后续旨在将观测恒星族群性质与银河系模型性质进行比较的系综分析时至关重要。然而，针对这一初始检测步骤的高效自动化解决方案仍未找到，这意味着需要专家对每颗恒星的数据进行目视检查以获得最高水平的检测。因此，为模拟专家肉眼分析数据的方式，我们使用有监督深度学习不仅检测红巨星的振荡，还通过观测功率谱二维图像中的特征来预测最大功率频率 $\nu_{\mathrm{max}}$ 的位置。通过在 Kepler 数据上训练，我们将深度学习分类器与经专家目视给出检测的 K2 数据进行基准比对，在 K2 第 6 观测周期恒星上达到 98% 的检测准确率，在 K2 第 3 观测周期恒星上达到 99% 的检测准确率。我们进一步发现，基于深度学习的 $\nu_{\mathrm{max}}$ 预测的估计不确定度约为 5%，这与使用目视检查的人类水平表现相当。在考察异常值时，我们发现深度学习结果比经典模型拟合方法更可能提供稳健的 $\nu_{\mathrm{max}}$ 估计。