首次发现并确认通过AI和深度学习技术应用于VPHAS+巡天数据找到的行星状星云候选体

背景。我们开发了深度学习和AI工具，用于在银河系平面的现有窄带大面积H$\alpha$巡天中搜索隐藏在银河中心密集恒星场中的难以发现的行星状星云（PNe）。它们是暗弱的、低表面亮度的、通常可分辨的源，之前的依赖测光数据搜索点源的自动方法未能发现它们。这些源在如此拥挤的场中通过传统目视检查极难发现，许多已被遗漏。我们成功采用了一种新颖的"Swin-Transformer"AI算法，我们在先前的技术论文（论文I）中对其进行了详细描述。目标。这里，我们呈现了对31个由该算法从高分辨率H$\alpha$巡天VPHAS+中找到的顶级PN候选体的首次光谱后随观测的初步结果。该巡天尚未经过广泛的人工系统性搜索。方法。我们的候选PN于2023年6月在南非天文台（SAAO）的1.9m望远镜上使用SpUpNIC光谱仪进行观测。我们执行了标准的IRAF光谱还原，然后遵循常规的HASH PN识别和分类程序。结果。我们的还原光谱确认这些候选体包括22个真实、可能和可能的PN（70.97%）、3个发射线星系、2个发射线星、2个晚型星污染源以及2个其他H$\alpha$源，包括一个新识别的与超新星遗迹RCW 84分离的碎片。我们呈现了这些候选体的成像和光谱数据及其性质的初步分析。这些数据为评估和细化AI算法在宽场H$\alpha$巡天中搜索PN的行为提供了有力输入。