使用可逆神经网络从高分辨率光谱推断恒星参数及其不确定性

背景：新的光谱巡天将使需要表征的天体数量增加十倍以上。需要机器学习工具以快速且准确的方式应对这一数据洪流。大多数机器学习算法无法直接估计误差，使其不适用于可靠的科学研究。目的：我们旨在训练一种专为高分辨率观测恒星光谱量身定制的监督深度学习算法。该算法通过利用来自神经网络和光谱的信息，在提供不确定性的连贯估计的同时，准确推断出精确的估计值。方法：我们在 Gaia-ESO 巡天中使用 GIRAFFE 光谱仪（HR10 和 HR21 设置）获得的观测光谱数据上训练了一个条件可逆神经网络（cINN）。cINN 的一个关键特征是它能够为每个光谱生成参数的贝叶斯后验分布。通过分析该分布，我们推断出参数及其不确定性。我们应用了几项测试来研究参数和误差是如何估计的。结果：对于高质量光谱，我们在 $T_{\text{eff}}$ 中达到了 28K 的精度，$\log g$ 中达到了 0.06 dex，$[\text{Fe/H}]$ 中达到了 0.03 dex，其他丰度在 0.05 dex 到 0.17 dex 之间。在低信噪比光谱下精度保持稳定。所获得的不确定性在同一数量级内。该网络准确地重现了银河系尺度和较小星团内的天体物理关系。我们创建了一个包含由我们的 cINN 生成的新参数的表格。结论：该神经网络为未来的天文巡天提供了一个引人注目的方案。这些连贯导出的不确定性使得这些估计值可以在其他工作中作为贝叶斯先验重复使用，从而为未来的工作奠定了坚实的基础。