基于生成对抗神经网络的星体大气参数在天文光谱中的分离

我们发展了一种基于生成对抗性网络（GANs）的方法，用于在天文光谱中分离星体大气参数（有效温度和重力）和化学参数（金属丰度以及铁相对的α元素过丰度）。通过对星体光谱进行投影，通常称为潜在空间（latent space），在该空间中，单个或多个主要星体物理化学性质的贡献被最小化，而其他性质被增强，从而最大化了与某些性质相关的信号信息，然后可以使用人工神经网络（ANN）作为回归器来提取这些性质，其准确率高于基于使用原始光谱训练的ANN参考方法。我们的模型利用自编码器，包含两个人工神经网络：编码器和解码器，将输入数据转换为称为潜在空间的低维表示。它还使用判别器，这些是额外的神经网络，旨在将传统自编码器训练转化为对抗方法，以在潜在空间中分离或强化星体物理参数。我们描述了GANDALF工具。它被开发用于定义、训练和测试我们的GAN模型，同时提供一个Web框架来直观地展示分离算法的工作方式。该工具已在Github上开源，供社区使用。我们的做法在从光谱中检索星体大气参数方面取得了良好结果，采用来自Gaia径向速度光谱仪（RVS）数据DR3。我们采用数据驱动的方法，获得了在文献中所报告误差范围内的非常具竞争力的结果，同时具有重要的数据维度压缩优势。