虚拟天文台与机器学习在测光和光谱巡天中低质量天体研究中的应用

低质量天体在我们的银河系中无处不在。它们的低温使其具有复杂的大气层，其特征是存在强烈的分子吸收带，再加上它们的暗弱性，使得对它们的精确表征成为过去几十年来天文学家面临的巨大挑战。M 矮星占太阳 10 秒差距范围内恒星普查的 75%，它们作为寻找类地行星目标的适宜性，促使许多研究小组专注于这些天体的研究，这对于理解我们银河系的结构和运动学至关重要。光谱型为 M7 或更晚的极低质量恒星和亚恒星天体，包括扩展的 L、T 和 Y 光谱型，构成了超冷矮星的范畴。对这些于 1995 年被明确发现的天体的研究，是理解恒星与亚恒星天体边界的关键，并有望借助 Euclid 或 LSST 等新一代巡天的特性实现质的飞跃。在过去几十年中，观测天文学领域的数据分析经历了一场范式转变，其驱动力是可用数据量和复杂性的指数级增长。在这场革命中，虚拟天文台已成为基石，它提供了一个促进全球天文档案之间互操作性的系统。为应对这种数据复杂性的增长，天文学界越来越多地采用机器学习技术来开发可扩展的自动化解决方案。本论文探讨了利用虚拟天文台技术和协议支持的数据驱动方法，对 M 矮星和超冷矮星进行发现和表征。我们依靠各种机器学习和深度学习技术来开发灵活的方法论，旨在增进我们对低质量天体的理解。