机器仅通过观测大量光谱即可推断恒星参数

机器学习已被广泛应用于天文学与天体物理中定义明确的问题。然而，深度学习及其与经典机器学习在概念上的差异在这些领域很大程度上被忽视。我们工作背后的宽泛假设是：让丰富的真实天体物理数据在极小监督且无标签的情况下自行表达，可揭示有趣的模式，从而有助于发现新颖的物理关系。作为第一步，我们试图解释一个深度卷积神经网络所选择学习的表示，并发现其中与当前物理理解的相关性。我们在一个自监督辅助重构任务上训练编码器-解码器架构，使其能学习通用表示而不偏向任何特定任务。通过对网络信息瓶颈施加弱解耦，我们隐式地在学习特征中强制可解释性。我们开发了两种独立的统计与信息论方法，用于寻找所学信息性特征的数量，并度量它们与天体物理验证标签的真实相关性。作为一个案例研究，我们将该方法应用于一个包含约 270000 条恒星光谱的数据集，每条光谱约含 300000 维。我们发现，该网络在完全物理无关的过程中，明确指派特定节点去估计（某些意义上的）诸如视向速度与有效温度等参数，而并未被要求这样做。这支持了我们假设的前半部分。此外，我们以高置信度发现还存在约 4 个独立的更多信息维度，它们与我们的验证参数无直接相关性，为未来研究提供了潜在空间。