使用神经网络生成恒星光谱

本文提出了一种新的生成技术，利用深度学习基于一组恒星参数重建恒星光谱。我们训练了两种不同的神经网络以生成新的光谱。首先，在利用 ATLAS9 模型大气和 SYNSPEC 辐射转移代码计算的一组 BAFGK 合成数据上训练自编码器。这些光谱在 Gaia RVS 8 400 至 8 800 {\AA} 的波长范围内计算。其次，我们训练了一个全密集神经网络，将恒星参数与自编码器的潜在空间相关联。最后，我们将全密集神经网络与自编码器的解码器部分连接，构建了一个模型，该模型以 $T_{eff}$、$\log g$、$v_e \sin i$、[M/H] 和 $\xi_t$ 的任意组合作为输入，并输出归一化光谱。结果表明，生成的光谱能够代表使用经典辐射转移代码计算出的所有谱线轮廓和通量值。我们使用恒星参数确定程序测试了该技术的准确性，结果表明生成的光谱与合成光谱具有相同的特征。