基于条件可逆神经网络的年轻恒星光谱分类 I. 方法引入与验证
太阳与恒星天体物理
2023-06-21 v1 星系天体物理
天体物理仪器与方法
摘要
目的。我们引入一种新型深度学习工具，通过将 Phoenix 恒星大气模型与条件可逆神经网络（cINN）相结合，估算年轻低质量恒星的恒星参数（如有效温度、表面重力和消光）。我们的网络允许我们从光学光谱推断各恒星参数的后验分布。方法。我们讨论了在三个不同 Phoenix 网格上训练的条件可逆神经网络：Settl、NextGen 和 Dusty。我们在未学习的 Phoenix 合成光谱以及 36 颗具有良好表征恒星参数的 III 型模板星光谱上评估了这些 cINN 的性能。结果。我们确认，当在未学习的 Phoenix 合成光谱上测试时，cINN 几乎完美地估算了所考虑的恒星参数。将我们的网络应用于 III 型恒星，我们发现偏差至多 5--10% 的良好一致性。cINN 对较早型恒星的估计略优于较晚型恒星（如晚期 M 型星），但我们得出结论：在网络训练范围内，所有光谱型的有效温度和表面重力估算都是可靠的。结论。我们的网络是适用于大量观测的时间高效工具。在三个网络中，我们推荐使用在 Settl 库上训练的 cINN（Settl-Net），因其在最大的温度和重力范围内提供最佳性能。
引用
@article{arxiv.2304.08398,
title = {Spectral classification of young stars using conditional invertible neural networks I. Introducing and validating the method},
author = {Da Eun Kang and Victor F. Ksoll and Dominika Itrich and Leonardo Testi and Ralf S. Klessen and Patrick Hennebelle and Sergio Molinari},
journal= {arXiv preprint arXiv:2304.08398},
year = {2023}
}
备注
29 pages, 19 figures, Accepted for publication by Astronomy & Astrophysics on 10. April