单颗和多颗OB型恒星的定量光谱学。基于机器学习的非LTE光谱分析
太阳与恒星天体物理
2026-04-06 v1
摘要
观测档案中OB型恒星光谱数量庞大，而WEAVE和4MOST光谱设施将产生更多数据，需要高效且准确精密的（半）自动定量分析方法。神经网络被用于模拟单星和多星系统的光谱，训练基于覆盖广泛大气参数和化学组成的混合非局部热力学平衡（non-LTE）模型。为推导完整的大气参数集及其不确定性，实现了马尔可夫链蒙特卡洛（Markov chain Monte Carlo）算法，用于拟合3000A–10500A范围内的高分辨率光谱。神经网络和拟合算法被整合到一个名为Spectral Analysis Tool Using Restricted Neural networks（SATURN）的程序中。在当前实现中，SATURN支持从O7到B9光谱型的合成光谱模拟，这些光谱型与计算模型仅有微小差异。SATURN在若干已研究的基准恒星上进行了测试，包括单颗OB恒星和一颗分离食双星（DEB）系统。与文献数据相比，在多达十种金属元素的大气参数和元素丰度上取得了良好一致性，不确定性通常有所降低。对于DEB组分，不确定性更大，特别是当仅考虑单历元光谱时的较暗次星。元素丰度的不确定性通常<0.10 dex。展示了SATURN对一些新目标的首批应用以展示其能力，如快速旋转恒星，包括HD149757（Zeta Ophiuchi）。在与WEAVE和4MOST相关的降低光谱分辨率下也得到了一致的结果。
引用
@article{arxiv.2604.03082,
title = {Quantitative spectroscopy of single and multiple OB-type stars. Non-LTE spectrum analysis with machine learning},
author = {P. Aschenbrenner and N. Przybilla},
journal= {arXiv preprint arXiv:2604.03082},
year = {2026}
}
备注
19 pages, 9 figures, accepted for publication in A&A