暗星候选体的神经网络识别 II. 光谱
摘要
宇宙中的一些第一批恒星可能由暗物质（DM）湮灭而非核聚变提供动力。这些天体，即暗星（DS），为通过观测研究第一批恒星的形成和演化及其黑洞（BH）遗迹来理解 DM 提供了独特的窗口。在 \cite{NNSMDSPhot}（论文 I）中，我们引入了在合成 DS 测光数据上训练的前馈神经网络（FFNN），以便基于 James Webb Space Telescope（JWST）上搭载的 NIRCam 仪器获取的数据，探测和表征早期宇宙中的暗星测光候选体。在本工作中，我们开发了在合成 DS 光谱上训练的 FFNN，以便在 JWST 的 NIRSpec 仪器获取的数据中识别暗星光谱候选体。为了验证我们的 FFNN 模型，我们将其应用于最近在 \cite{ilie2025spectroscopicsupermassivedarkstar} 中识别的四个超大质量暗星（SMDS）光谱候选体的真实数据，并重新确认 \JADESeleven、\JADESzthirteen、\JADESfz 和 \JADESfo 的光谱确实与超大质量暗星的光谱一致。与 \cite{ilie2025spectroscopicsupermassivedarkstar} 中使用的 Nedleaer-Mead 蒙特卡洛参数估计器相比，我们 FFNN 模型的主要优势在于，此处引入的方法能在毫秒级时间内预测参数，比 \cite{ilie2025spectroscopicsupermassivedarkstar} 中使用的传统方法快 10,000 倍以上。有鉴于此，我们在本工作中开发并验证的 FFNN 模型将适用于贝叶斯不确定性分析以及高红移天体 NIRSpec 公开数据的自动分析。本研究为探测暗星和理解它们在宇宙演化中的作用建立了一个稳健且高效的工具。
引用
@article{arxiv.2511.04122,
title = {Neural Network identification of Dark Star Candidates. II. Spectroscopy},
author = {Adiba Amira Siddiqa and Sayed Shafaat Mahmud and Cosmin Ilie},
journal= {arXiv preprint arXiv:2511.04122},
year = {2025}
}
备注
9 pages, 4 figures, submitted to the Astrophysical Journal