利用机器学习从运动学与光谱数据推断恒星金属丰度与元素丰度——对系外行星宿主星的启示
地球与行星天体物理
2026-05-19 v1 星系天体物理
太阳与恒星天体物理
摘要
FGK 恒星的元素丰度通常可从高分辨率光学光谱中常规导出，但对于较冷的恒星，这仍然困难得多。机器学习方法提供了一条实用途径，可从更易获取的恒星数据中推断原本难以获得的丰度。我们使用 APOGEE DR17 的大样本红巨星作为主要训练集，并使用独立的 HARPS 附近 FGK 矮星样本进行外部验证。我们对多种机器学习回归器进行基准测试，优化最强模型，并使用基于增益的指标、排列重要性、单特征模型和 SHAP 值分析特征重要性。我们还探索了从 Mg、Si 和 [Fe/H] 预测 C 和 O，并推导了选定丰度比（Fe/Si、Mg/Si、C/O 和 Fe/O）与金属丰度之间的简单经验关系。仅靠运动学信息只能恢复恒星金属丰度中有限部分的方差，且存在明显的性能上限，RMSE 约为 0.20 dex。信息量最大的预测因子是最大垂直轨道偏移 ，其次是径向轨道参数。当 [Fe/H] 与运动学信息结合时，C、O、Mg 和 Si 的丰度预测精度显著优于使用基线近似 的结果。相比之下，当从 Mg、Si 和 [Fe/H] 预测 C 和 O 时，大部分预测能力已包含在元素丰度自身中（其中 Mg 是主导贡献者），加入运动学信息几乎没有改善。训练后的模型再现了与银河系化学演化相关的主要丰度趋势。我们发现，Fe/Si、Mg/Si、C/O 和 Fe/O 与金属丰度关系的斜率在 HARPS 和 APOGEE 样本之间略有差异，相对差异通常低于 17%。
引用
@article{arxiv.2605.18131,
title = {Inferring stellar metallicity and elemental abundances from kinematic and spectroscopic data using machine learning -- Implications for exoplanet host stars},
author = {V. Adibekyan and B. M. T. B. Soares and S. G. Sousa and N. C. Santos and E. Delgado-Mena and I. Minchev and R. Chertovskih and Zh. Martirosyan and G. Israelian and A. A. Hakobyan},
journal= {arXiv preprint arXiv:2605.18131},
year = {2026}
}
备注
Accepted by A&A