基于四叉树特征提取器的人工神经网络在疏散星团参数估计中的应用

随着已知星团数量的空前增长，亟需快速且现代的工具来分析它们。本工作中，我们开发了一种在合成星团上训练的人工神经网络，用于估计 $Gaia$ 疏散星团的年龄、金属丰度、消光和距离。我们实现了一种通过 QuadTree 工具从星团的颜色-星等图提取特征的新技术，并采用了多波段方法。我们获得了约 $5400$ 个星团的可靠参数。我们通过全面的科学验证证明了我们的方法在准确确定 $Gaia$ 疏散星团关键参数方面的有效性。特别是，我们的分析能够重现高分辨率光谱巡天观测到的银河系金属丰度梯度。这表明我们的方法能从恒星星团的颜色-星等图（CMD）中可靠提取金属丰度信息。对于所研究的星团样本，我们发现与文献中已有分析相比存在一种有趣的系统性偏老年龄。本工作引入了使用 QuadTree 算法进行特征提取的新方法，尽管存在测光误差和离群值，仍能有效追踪 CMD 中的序列。采用 ANN 而非卷积神经网络，保留了完整的位置信息并提升了性能，同时也展示了通过同时分析多个测光波段推导星团参数的潜力，这对诸如 Vera Rubin 天文台等即将建成的望远镜大有裨益。将 ANN 工具与稳健的等龄线拟合技术结合，可进一步改进疏散星团参数的求解。