LAMOST中分辨率巡天中的光谱双星。I. 利用卷积神经网络搜寻双线光谱双星(SB2s)

我们开发了一种卷积神经网络(CNN)模型，基于单曝光中分辨率光谱($R\sim 7,500$)从其他目标中区分双线光谱双星(SB2s)。训练集由基于MIST恒星演化模型与ATLAS9大气模型合成的大量单星与双星模拟光谱组成。我们的模型通过对负样本添加适当惩罚达到了新的理论假阳性率(例如，当惩罚参数$\Lambda=16$时，蓝/红臂分别为0.12%和0.16%)。测试表明性能符合预期，且偏向于高质量比($q \geq 0.7$)与较大视向速度差($\Delta v \geq 50\,\mathrm{km\,s^{-1}}$)的FGK型主序双星。尽管真实假阳性率无法可靠估计，但基于Kepler光变曲线所识别的食双星进行验证表明，我们的模型在食相(0、0.5与1.0)处如预期般给出低双星概率。颜色-星等图亦有助于阐明其从光谱识别FGK主序双星的可行性与能力。我们结论为该模型相当可靠，并能提供一种自动识别周期$\lesssim 10$天的SB2s的方法。本工作给出了来自LAMOST中分辨率巡天(MRS)的逾500万条光谱(涉及100万源)的双星概率星表，以及2198个SB2候选体星表，其物理性质将在后续论文中分析。数据产品已在期刊及我们的Github网站公开。