利用摊销神经后验估计与 nbi 进行恒星光谱拟合
太阳与恒星天体物理
2023-12-12 v1 星系天体物理
天体物理仪器与方法
机器学习
摘要
现代巡天通常一次性交付数十万条恒星光谱，这些光谱需与光谱模型进行拟合以推导恒星参数/标签。因此，摊销神经后验估计（ANPE）技术作为一种合适的方法脱颖而出，它能够以次线性/常数计算成本对大量目标进行推断。利用我们新的 nbi 软件包，我们针对 APOGEE 巡天训练了一个 ANPE 模型，并在模拟和真实的 APOGEE 恒星光谱上展示了其有效性。nbi 包的独特之处在于其开箱即用的功能，可处理具有序列数据的天文逆问题。正因如此，我们能够以极少的精力获取训练好的模型。我们引入了一种处理光谱数据固有测量噪声特性的有效方法，该方法利用了观测数据中的实际不确定性。这使得训练数据能够与观测数据相似，这对于 ANPE 应用至关重要。鉴于光谱数据特性与观测仪器相关，我们讨论了 ANPE“模型库”的实用性，其中针对特定仪器训练的模型在 nbi 框架下分发，以促进实时恒星参数推断。
引用
@article{arxiv.2312.05687,
title = {Stellar Spectra Fitting with Amortized Neural Posterior Estimation and nbi},
author = {Keming Zhang and Tharindu Jayasinghe and Joshua S. Bloom},
journal= {arXiv preprint arXiv:2312.05687},
year = {2023}
}
备注
Accepted to ICML 2023 Workshop on Machine Learning for Astrophysics. 7 pages 3 figures