利用卷积神经网络估计恒星参数并识别低分辨率光谱（R~200）中的极贫金属星

极贫金属（VMP，[Fe/H]<-2.0）恒星为早期星系与宇宙中元素产生的性质和演化提供了丰富信息。即将发射的中国空间站望远镜（CSST）将提供大量可能包含众多VMP恒星的光谱数据，因此对于类似CSST光谱（R~200）的低分辨率光谱确定恒星大气参数（$T_{eff}$、$\log g$和[Fe/H]）至关重要。本文构建了一个含三个卷积层和两个全连接层的二维卷积神经网络（CNN）模型。本工作的主要目标是评估该模型在低分辨率（R~200）光谱上估计恒星参数的能力，并识别VMP恒星，以便更好地在CSST观测光谱中搜寻VMP恒星。我们主要使用来自LAMOST DR3的10,008条VMP恒星观测光谱，以及来自LAMOST DR8的16,638条普通恒星（[Fe/H]>-2.0）光谱进行实验与比较。所有光谱均被降至R~200以匹配CSST分辨率，并经过预处理折叠为二维光谱作为CNN模型输入。结果表明，$T_{eff}$的MAE值为99.40 K，$\log g$为0.22 dex，[Fe/H]为0.14 dex，[C/Fe]为0.26 dex。此外，CNN模型以94.77%的精度高效识别VMP恒星。该模型的验证与实用性也在MARCS合成光谱上进行了测试。本文有力证明了所提CNN模型在估计低分辨率光谱（R~200）恒星参数及识别对恒星族与星系演化研究有意义的VMP恒星方面的有效性。