利用神经网络审查星震学 $\Delta\nu$ 测量

精确的星震学参数使人能够快速估计大样本恒星的半径与质量分布。现有若干自动化方法可从红巨星的功率谱计算最大声功率频率($\nu_{\mathrm{max}}$)与泛音模式间频率分离($\Delta\nu$)。然而,筛选结果需人工审查、跨多种方法的精细平均,或对某些参数作尖锐截断,以确保无离群值的稳健恒星样本。鉴于星团研究对银河系考古学的重要性及数据可用性的激增,亟需更快速获取可靠星震学参数的方法。我们提出一种神经网络分类器,通过结合视觉 $\Delta\nu$ 审查过程中的多特征来审查 $\Delta\nu$。该分类器能分析大量恒星,判定其测得 $\Delta\nu$ 是否可靠,从而以最小代价给出洁净的振荡恒星样本。我们的分类器独立于获取 $\nu_{\mathrm{max}}$ 与 $\Delta\nu$ 的方法,故可作为任意此类方法的最终步骤。该分类器在人工审查 $\Delta\nu$ 测量上的性能测试准确率达 95%。我们将该方法应用于 K2 银河系考古学计划观测的巨星,发现所得结果保留的恒星其天体物理振荡参数与已有明确表征的 Kepler 红巨星参数分布一致。