基于卷积神经网络分析 TESS 数据的年轻恒星耀斑统计

全天测光时变巡天任务使得对数千颗年轻恒星（$t_{\rm age} < 800$Myr）的监测以理解恒星活动的演化成为可能。本文开发了一个卷积神经网络（CNN）$\texttt{stella}$，专门训练用于从凌星系外行星巡天卫星（$\textit{TESS}$）短节奏数据中寻找耀斑。我们将该网络应用于 3200 颗年轻恒星，以评估耀斑率随年龄和光谱型的变化。该 CNN 在单条光变曲线上识别耀斑仅需数秒。我们还测量了 1500 个目标源的自转周期，发现所有振幅的耀斑都出现在所有黑子相位上，表明整个表面具有高黑子覆盖度。此外，对于 $t_{\rm age} > 50$Myr 的所有温度 $T_{\rm eff} \geq 4000$K 的恒星，耀斑率和振幅均下降，而 $2300 \leq T_{\rm eff} < 4000$K 的恒星在 800 Myr 内未显示演化。 $T_{\rm eff} \leq 4000$K 的恒星在所有年龄均表现出更高的耀斑率和振幅。我们研究了高耀斑率对年轻行星光致蒸发大气质量损失的影响。在耀斑存在下，行星在首个 1 Gyr 内多损失 4-7% 的大气。$\texttt{stella}$ 是一个托管于 GitHub 和 PyPI 的开源 Python 工具包。