MSFA-Net：一种从 LAMOST DR12 中识别蓝色水平分支星的先进深度学习模型

蓝色水平分支（BHB）星是低质量、核心氦燃烧天体，光度几乎恒定，使其成为追踪年老、贫金属星族的强大示踪剂，也是绘制银河系晕的宝贵标准烛光。然而，从低分辨率光谱中可靠地识别 BHB 星仍然具有挑战性。我们提出了 MSFA-Net，这是一个为大天区面积多目标光纤光谱望远镜（LAMOST）DR12 开发的两阶段框架。通过将多尺度卷积与软频率注意力机制相结合，MSFA-Net 在波长域和傅里叶频率域中学习判别性表示。在测试集上，该框架在初始多类筛选中达到了 94.67% 的精确度，在随后的二元细化中达到了 98.07%。将该流程应用于 LAMOST DR12，我们检索到 27,853 个 BHB 候选光谱。经过光谱去重和移除先前已知天体后，我们识别出 3583 颗新的 BHB 星，并通过巴耳末线轮廓拟合得到确认。我们进一步使用基于机器学习的 SLAM 模型估计了大气参数（Teff、log g 和 [Fe/H]）并检查了它们的分布。一个不可忽略的子集显示出异常高的 log g 和/或金属丰度，我们主要将其解释为与推断相关的系统误差，而不是内在属性。与 Gaia DR3 的光度交叉匹配和颜色-星等图提供了样本的额外一致性检查。由此产生的星表大大扩展了 LAMOST 的光谱确认 BHB 样本，并为银河系晕结构和恒星种群研究提供了均匀的数据集。