RAVE（径向速度实验）：基于卷积神经网络的 RAVE 光谱参数化
星系天体物理
2021-01-04 v3 天体物理仪器与方法
太阳与恒星天体物理
摘要
在大型恒星光谱巡天背景下，数据驱动方法是短时间内为数百万条光谱推导物理参数的关键。卷积神经网络（CNNs）使我们能够将观测量（如光谱、恒星星等）与物理属性（大气参数、化学丰度或一般标签）联系起来。我们训练了一个 CNN，采用来自 APOGEE DR16（分辨率 R=22500）数据的恒星大气参数和化学丰度作为训练集标签。作为输入，我们使用了与 APOGEE DR16 数据重叠的 RAVE DR6 中分辨率光谱（R~7500）的部分，以及宽波段 ALL_WISE 和 2MASS 测光，连同 Gaia DR2 测光和视差。我们为 420165 条 RAVE 光谱推导了精确的大气参数 Teff、log(g) 和 [M/H]，以及 [Fe/H]、[alpha/M]、[Mg/Fe]、[Si/Fe]、[Al/Fe] 和 [Ni/Fe] 的化学丰度。精度通常达到 Teff 上 60K、log(g) 上 0.06，以及单个化学丰度上 0.02–0.04 dex。将测光和天体测量作为附加约束显著提高了所得标签的准确度和精度。我们提供了一个包含 CNN 训练得到的大气参数和丰度及其不确定度的星表，涵盖 RAVE 巡天中 420165 颗恒星。基于 CNN 的方法提供了一种无需以恒星演化模型形式施加任何先验即可结合光谱、测光和天体测量数据的强有力途径。所开发的流程可将 RAVE 光谱的科学产出从 DR6 扩展到正在进行和计划中的巡天，如 Gaia RVS、4MOST 和 WEAVE。我们呼吁学界特别集体重视并努力为此类未来光谱巡天创建无偏的训练样本。
引用
@article{arxiv.2004.12666,
title = {The RAdial Velocity Experiment (RAVE): Parameterisation of RAVE spectra based on convolutional neural networks},
author = {G. Guiglion and G. Matijevic and A. B. A. Queiroz and M. Valentini and M. Steinmetz and C. Chiappini and E. K. Grebel and P. J. McMillan and G. Kordopatis and A. Kunder and T. Zwitter and A. Khalatyan and F. Anders and H. Enke and I. Minchev and G. Monari and R. F. G. Wyse and O. Bienayme and J. Bland-Hawthorn and B. K. Gibson and J. F. Navarro and Q. Parker and W. Reid and G. M. Seabroke and A. Siebert},
journal= {arXiv preprint arXiv:2004.12666},
year = {2021}
}
备注
31 pages, 30 figures, accepted for publication in A&A, in Press