利用神经网络快速准确地积分复杂 SED 的带通
天体物理仪器与方法
2026-07-14 v1
摘要
本文提出了一种新颖的基于机器学习的方法，用于快速准确地积分光谱能量分布 (SED) 的带通。所涉及的积分算子的非局域性保证了待逼近目标函数的平滑性，使其成为神经网络的一个极佳用例。为此工作开发的计算方法已封装在 pyfine（FINE：通过神经网络进行快速函数插值）中。这个新的 Python 包使相关代码可供科学界所有人使用且易于使用。该方法通过两个不同的带通积分测试案例进行了演示，分别具有 3 个和 9 个自由参数，分析了其准确性和计算性能。结果表明，该方法能够在参数空间的采样区域内预测带通积分的值，最大相对残差分别低至 0.002% 和 0.08%，运行时间快，内存开销非常小。当给定一组自由参数值计算 SED 函数形式代价高昂时，pyfine 的使用尤其有效。然而，即使在第一个测试案例中（使用了简单的修正黑体 SED），神经网络的实测运行时间也比优化的多线程“暴力”精确计算积分版本快了两个数量级。
引用
@article{arxiv.2607.12953,
title = {Fast and accurate bandpass integration of complex SEDs with neural networks},
author = {L. A. Bianchi},
journal= {arXiv preprint arXiv:2607.12953},
year = {2026}
}