Ultracool 矮星科学与机器学习 (USMILE)。I. 基于树的可扩展光谱分类模型及来自 LSST 数据预览版 1 和 Euclid 快速数据发布版 1 的新发现
摘要
我们 presented Ultracool dwarf Science with MachIne LEarning (USMILE) 项目，这是一个开发机器学习工具，用于发现和表征 ultracool 矮星的计划。我们引入 USMILE Avocado，一种光谱分类框架，该框架使用来自宽域观测的宽带光度测量——Rubin 观测仪 LSST 数据预览版 1、VISTA 半球测量和 CatWISE——作为输入特征。该框架包含两个可扩展至现代观测巨大数据卷的梯度提升决策树模型：分类器，用于区分 ultracool 矮星与星体/类星体杂讯；回归器，用于预测光谱类型。其关键优势在于能够原生处理缺失的光度特征，而之前的机器学习方法需要完整的多波段检测或依赖插补，从而排除真正的 ultracool 矮星或引入偏差。在由 >200 万个来源构建的增强标记数据集上进行训练，该数据集由已知 ultracool 矮星、被削减的早型星和类星体组成，模型实现了强性能：分类器获得了 0.976 的 ROC AUC 和 0.92 的 F1 分数，而回归器产生了 0.88 次方差均值。我们应用这些模型，对我们进行了首次使用 LSST DP1 的 ultracool 矮星搜索，交叉匹配了 VHS 和 CatWISE。关键在于，Euclid 快速数据发布版 1 为数百个候选者提供了近红外光谱，使我们得以进行罕见的大规模外部光谱验证。这确认了 15 个 M6--L2 发现，验证了 USMILE 性能，并阐明了 USMILE 预测最可靠的 regime。建立在这些见解基础上，我们识别出 25 个额外的 M6--L9 光度候选者。这些结果凸显了机器学习方法在宽域观测数据丰富时代的有效性，突显了 LSST 与 Euclid 协同作用以扩大 ultracool 矮星人口统计的潜力。
引用
@article{arxiv.2510.16098,
title = {Ultracool dwarf Science with MachIne LEarning (USMILE). I. Scalable Tree-Based Models for Photometric Spectral Classification and New Discoveries from LSST Data Preview 1 and Euclid Quick Data Release 1},
author = {Zhoujian Zhang and Yanxia Li},
journal= {arXiv preprint arXiv:2510.16098},
year = {2025}
}
备注
AJ, in press. For a FITS table summarizing the full information of ultracool dwarf discoveries and candidates, see https://doi.org/10.5281/zenodo.17380365