Prediction of the Atmospheric Fundamental Parameters from Stellar Spectra Using Artificial Neural Network
地面和空间仪器的创新将我们带入了一个新的光谱学时代，在这个时代，大量的恒星内容变得可用。由于大量的观测光谱数据和理论光谱数据的存在，近年来恒星光谱的自动分类变得越来越主观。在本文中，我们开发了一个人工神经网络（ANN）算法的恒星光谱自动分类。该算法已被应用于Sloan数字巡天（SDSS）观测到的一些热富氦白矮星和Onderjove天文台观测到的B型光谱的基本参数的提取。我们比较了目前的基本参数和那些从最小距离方法，以澄清本算法的准确性，我们发现，预测的大气参数为两个样本是在良好的协议约50%的样本。一个可能的解释为其余的样品发现的差异进行了讨论。
2020-06-24 astro-ph.IM astro-ph.SR
Calibrating Convective properties of Solar-like Stars in the Kepler Field of View
恒星模型通常使用简单的参数化来处理对流。最广泛使用的参数化是所谓的“混合长度理论”，其中对流涡流大小使用单个数字α（混合长度参数）来描述。这是一个自由参数，一般的做法是使用太阳的已知性质校准α，并将其应用于所有恒星。使用NASA开普勒任务的数据，我们表明使用太阳校准的α并不总是合适的，在许多情况下，它会导致初始氦丰度的估计低于原始氦丰度。开普勒的数据使我们能够校准许多其他恒星的α，我们表明，对于我们研究过的恒星样本，混合长度参数通常低于太阳值。我们研究了α与恒星性质的相关性，发现α随金属丰度的增加而增加。因此，我们得出结论，拟合恒星模型或用太阳α值构造的人口合成模型所得到的结果可能有很大的系统误差。我们的研究结果也证实了理论预期的混合长度参数应随恒星的性质。
2012-07-11 astro-ph.SR
Automatic Determination of Stellar Atmospheric Parameters and Construction of Stellar Spectral Templates of the Guoshoujing Telescope (LAMOST)
一些光谱测量已经进行或计划研究银河系的起源。它们的开发需要可靠的自动化方法和软件来测量恒星的基本参数。采用ULySS软件包，我们测试了不同分辨率和信噪比（SNR）对恒星大气参数（有效温度Teff、表面重力log g和金属丰度[Fe/H]）测量的影响。我们表明，ULySS是可靠的，以确定这些参数与中等分辨率的光谱（R~2000）。然后，我们应用该方法对郭守敬望远镜调试数据库中的771颗恒星进行了参数测量。结果与SDSS/SEGUE恒星参数管道（SSPP）进行了比较，我们得出的精度为167 K，0.34 dex，和0.16 dex的Teff，log g和[Fe/H]分别。此外，这些恒星中的120个被选择来构建GSJT的初级恒星光谱模板库（版本1.0），并将被部署为GSJT自动参数化管道的基本成分。
2011-05-13 astro-ph.SR
Identification of metal-poor stars using the artificial neural network
场星中贫金属星的识别对于研究银河系和外部星系的结构和演化是非常有用的。我们使用人工神经网络（ANN）搜索贫金属星，并扩展其用途，以确定绝对星等。我们建立了一个包含167个中等分辨率恒星光谱（R ~ 1200）的光谱库，涵盖恒星温度范围为4200 ~ 8000 K，log g范围为0.5 ~ 5.0，[Fe/H]范围为-3.0 ~+0.3 dex。该经验光谱库用于训练ANN，在[Fe/H]、200 K温度和log g中产生0.3 dex的精度。我们发现，近太阳金属丰度星和贫金属星的独立校准减少了Teff和log g的误差近2倍。我们计算了大量的场星和候选贫金属星的T_eff，log g和[Fe/H]的一致尺度。我们将这种方法的应用扩展到使用具有良好估计的视差的邻近恒星来校准绝对星等。通过分别训练冷星、暖星和贫金属星的人工神经网络，可以获得更好的M_V标定精度。目前M_V刻度的精度为± 0.3等。本文提出的M_V定标方法与红化无关，因此可以作为研究星系结构的有力工具。
2013-07-24 astro-ph.SR
Analytical maximum likelihood estimation of stellar magnetic fields
恒星辐射的偏振光谱编码了关于恒星大气状况和渗透其中的磁场的宝贵信息。在本文中，我们给出了明确的表达式来估计磁场矢量和它的相关误差，从观察到的斯托克斯参数。我们研究太阳的情况下，观察到特定的强度，然后恒星的情况下，我们收到的偏振通量。在这第二种情况下，我们集中在一个缓慢的转子与偶极磁场几何形状的情况下的显式表达式。此外，我们还给出了明确的公式来检索磁场矢量从LSD的配置文件，而不假设平均值的LSD人工谱线。这些公式是在假定谱线可以在弱场区描述的条件下，用极大似然方法得到的。误差通过厄米矩阵恢复。对估计量的偏差进行了深入分析。
2011-08-22 astro-ph.SR
Stellar mass and radius estimation using Artificial Intelligence
估计恒星的质量和半径对大多数恒星来说都是一个挑战，但它们的知识对许多不同的天体物理学领域至关重要。估计这些变量的最广泛的技术之一是所谓的经验关系。在这项工作中，我们提出了一组最先进的AI回归模型，目的是研究它们在估计恒星质量和半径方面的能力。我们向社区公开发布数据库、AI模型以及用于恒星质量和半径估计的在线工具。我们使用了文献中的726颗MS星的样本，精确的M，R，T_eff，L，log g和[Fe/H]。我们将数据样本分为训练集和测试集，然后用它们分析不同的AI技术。特别是，我们已经通过实验评估了以下模型的准确性：贝叶斯注册，回归树，随机森林，支持向量机（SVR），神经网络，kNN和堆栈。我们提出了一系列的实验，旨在评估的估计的准确性。我们还分析了减少输入参数数量的影响，并将我们的结果与文献中最先进的经验关系进行了比较。我们发现，几个回归模型的叠加是估计质量和半径的最合适的技术。在质量的情况下，神经网络也提供了精确的结果，对于半径，SVR和神经网络也可以工作。与其他最先进的基于经验关系的模型相比，我们的Stacking将两个变量的准确性提高了两倍。此外，在恒星质量的情况下，偏差减少到一个数量级。最后，我们发现，使用我们的Stacking并且仅T_eff和L作为输入特征，所获得的准确度略大于5%，偏差约为1.5%。
2022-03-11 astro-ph.GA astro-ph.IM astro-ph.SR
Stellar hydrodynamical modeling of dwarf galaxies: simulation methodology, tests, and first results
宇宙学模拟仍然缺乏足够详细的数值分辨率或物理过程来模拟矮星系。因此，对单个矮星系的精确数值模拟仍然是需要的。我们的目标是（i）详细研究恒星和气体之间的耦合在星系中，利用所谓的恒星流体动力学的方法，和（ii）研究化学动力学演化的个别星系开始自洽计算的初始气体分布。我们提出了一种新的化学动力学代码，其中气体的动力学计算使用通常的流体动力学方程，而恒星的动力学描述的恒星流体动力学方法，解决了碰撞玻尔兹曼方程的前三个时刻。来自恒星风和垂死恒星的反馈被详细跟踪。特别是，一个新的和详细的方法已经发展到跟踪的各种恒星星族，这使得一个精确的计算取决于恒星年龄的恒星反馈的老化。我们建立了矮星系的初始平衡模型，考虑到气体的自引力，并提出不同程度的旋转支持。高旋转支持的模型发展突出的双极外流，在这些模型中，一个新出生的恒星星族优先集中在银河系中平面。几乎没有旋转支持的模型吹走了大部分气体，由此产生的恒星分布被扩展和扩散。恒星动力学是星系演化的一个重要方面。如果我们人为地抑制恒星动力学，超新星爆炸就会发生在被先前的恒星风活动加热和稀释的介质中，从而人为地增强恒星反馈（删节）。
2015-04-17 astro-ph.GA astro-ph.SR
On the estimation of stellar parameters with uncertainty prediction from Generative Artificial Neural Networks: application to Gaia RVS simulated spectra
Universidade da Coruña (UDC)（拉科鲁尼亚大学）；Universidade de Vigo (Uvigo)（维戈大学）；Instituto de Astrofísica de Canarias（加那利天体物理研究所）；Universidad de La Laguna（拉拉古纳大学）
目的。我们提出了一种创新的人工神经网络（ANN）架构，称为生成式ANN（GANN），它计算前向模型，即它学习将未知输出（在这种情况下，恒星大气参数）与给定输入（光谱）相关的函数。这样的模型可以集成在贝叶斯框架中，以估计输出的后验分布。方法. GANN的架构遵循与普通ANN相同的方案，但输入和输出相反。我们训练网络与大气参数（Teff，logg，[Fe/H]和[alpha/Fe]）的集合，获得这样的输入的恒星光谱。使用验证数据集将网格中的光谱与估计光谱之间的残差最小化，以使解决方案尽可能通用。结果传统的人工神经网络和GANNs的性能来估计恒星参数作为恒星亮度的函数，并比较不同的银河系人口。GANN为具有丰富和中等金属含量的早期和中期光谱类型提供了显着改进的参数化。对于我们的晚型恒星样本，两种算法的行为非常相似，对于盖亚星等Grvs<12的恒星，在推导[Fe/H]和[alpha/Fe]时获得的残差低于0.1dex，这说明盖亚卫星的径向速度摄谱仪观测到的恒星数量约为400万颗。结论.计算的天体物理参数的不确定性估计对于参数化本身的验证和天文学界随后的利用至关重要。GANNs不仅产生给定光谱的参数，而且还产生给定参数集的观测光谱和预测光谱之间的拟合优度。此外，它们允许我们获得完整的后验分布。
2016-07-19 astro-ph.IM astro-ph.SR cs.AI
A method for non-linear inversion of the stellar structure applied to gravity-mode pulsators
本研究提出一种适用于重力模脉动天体的非线性星震反演方法，基于观测振荡周期迭代改进参数化恒星结构模型，经测试可恢复参数空间内外人工目标属性，在SPB星KIC 7760680上验证有效，可为相关恒星分析和演化模型提供补充。
2024-04-18 astro-ph.SR
3D simulations of magnetospheric accretion in T Tauri stars: I. Disk truncation, stellar torques, and application to observations
National and Kapodistrian University of Athens（雅典国立卡波蒂斯坦大学）；Univ. Grenoble Alpes, CNRS, IPAG（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，IPAG）；INAF – Osservatorio Astrofisico di Torino（意大利国家天体物理研究所都灵天文台）
该研究通过三维MHD模拟T Tauri星的磁层吸积，明确了稳定与不稳定吸积的判据及相关扭矩公式，应用于观测样本发现多数年轻恒星处于吸积加速状态，其角动量问题仍未解决。
2026-10-06 astro-ph.SR
Application of Convolutional Neural Networks for Stellar Spectral Classification
由于SDSS和LAMOST等测量观测到的光谱数据量不断扩大，应用人工智能（AI）技术分析恒星光谱以解决光谱分类和回归问题（如确定恒星大气参数Teff，log g，[Fe/H]）变得非常重要。我们提出了一个自动化的方法，利用卷积神经网络的恒星光谱的光学区域的分类。传统的机器学习（ML）方法具有“浅层”架构（通常多达2个隐藏层），过去已经为此目的进行了训练。然而，具有更多隐藏层的深度学习方法允许使用频谱中更精细的细节，从而提高准确性和更好的泛化能力。研究更精细的光谱特征也使我们能够确定精确的差分恒星参数和发现稀有天体。我们研究了各种机器和深度学习算法，如人工神经网络（ANN），随机森林（RF）和卷积神经网络（CNN），以分类恒星光谱使用的光谱库作为训练样本。我们在Indo-U.S. Library of Coude Feed Stellar Spectra（CFLIB）上测试了训练网络的性能。我们表明，使用卷积神经网络，我们能够将误差降低到1.23个光谱子类，与过去研究中使用ML方法实现的2个子类相比。我们进一步应用训练好的模型对信噪比大于20的SDSS数据库中的恒星光谱进行分类。
2019-09-12 astro-ph.IM astro-ph.SR
Application of Neural Networks to the study of stellar model solutions
人工神经网络（ANN）在天文学中有不同的应用，包括数据简化和数据挖掘。在这项工作中，我们提出了使用人工神经网络在恒星模型的解决方案的识别。我们通过将人工神经网络应用于0.8 M的$_\odot$星CG Cyg B来说明这种方法。我们的人工神经网络使用60，000个不同的0.8 M $_\odot$恒星模型进行训练。用这种方法，我们确定的模型，重现CG天鹅B的位置在HR图。我们观察到模型的初始金属和氦丰度之间的相关性，在大多数情况下，不同意氦与金属富集比$Δ$ Y/ $Δ$ Z=2。此外，我们确定了模型的初始氦/金属丰度和它的年龄和混合长度参数之间的相关性。此外，发现的每个模型的混合长度参数都低于1.3。这意味着CG Cyg B的混合长度参数明显小于太阳能。从这项研究中，我们得出结论，人工神经网络是非常适合处理太阳型恒星的模型解决方案的退化。
2012-03-27 astro-ph.SR
Strong evidences for a nonextensive behavior of the rotation period in Open Clusters
在恒星天体物理学的情况下，时间相关的nonextensivity结合nonextensive熵指数$q_{K}$来自修改后的Kawaler的参数化，和$q$，从旋转速度分布。这些$q$通过由$q\approx q_{0}(1-Δt/q_{K})$给出的启发式单一关系相关联，其中$t$是簇年龄。在非扩展情景中，这些指数是测量系统中存在的非扩展性程度的量。最近的研究表明，指数$q$与自转速度分布中存在的高能尾部的形成率相关。另一方面，指数$q_{K}$由恒星自转-年龄关系确定。这取决于通过表达式$q_{K}=1+4aN/3$的磁场配置，其中$a$和$N$分别表示恒星磁场的饱和水平及其拓扑。在目前的研究中，我们表明，$q-q_{K}$也是一致的548个旋转周期数据的单个主序星在11个疏散星团年龄小于1 Gyr。我们的非饱和模型的值$q_{K}\sim$ 2.5表明，这些恒星的平均磁场拓扑结构比纯径向场稍微复杂一些。我们的研究结果还表明，恒星的旋转制动行为影响的程度之间的反相关$q$和集群年龄$t$。最后，我们提出恒星磁制动可以用熵指数$q$来衡量。
2014-10-31 astro-ph.SR
Which evolutionary status does the Blue Large-Amplitude Pulsators stay at?
星震学是研究恒星内部结构和演化状态以及确定恒星质量、半径、表面重力和平均密度等基本参数的重要工具。本文利用该方法对OGLE项目观测到的14颗新型脉动星--蓝色大振幅脉动星（BLAPs）进行了初步分析，初步探讨了它们的演化状况。我们采用单星演化理论，人为设定红巨星分支上$\dot{M}=-2\times10^{-4}~{\rm M_{\odot}/year}$的质量损失率和以$R=40$ $\rm R_{\odot}$为半径的质量损失，生成一系列理论模型。基于这些理论模型和相应的观测结果，我们发现这些B型星更有可能是核心氦燃烧星。大部分处于氦燃烧的中后期。
2018-05-18 astro-ph.SR
Period change and stellar evolution of $β$ Cephei stars
仙王座$β$星是研究B型星演化和从主序星到氢壳燃烧演化的一类重要的大质量恒星演化器。通过了解$β$ Cep恒星，我们可以深入了解大质量恒星演化的详细物理过程，如旋转混合，对流核心过冲，磁场和恒星风，所有这些都起着重要的作用。同样，对它们的脉动进行建模可以为其内部结构提供额外的信息。此外，脉动周期变化率的测量提供了一个直接测量的$β$造父恒星演化。在这项工作中，我们计算国家的最先进的恒星演化模型假设不同量的初始旋转和对流核心过冲和测量理论速率的周期变化，我们比较以前测得的$β$仙王座恒星的样本率。这一比较的结果好坏参半。对于三颗恒星，速率太小，无法从恒星演化模型中推断出任何信息，而对于另外三颗恒星，速率太大。我们推断恒星参数，如质量和年龄，为两个$β$造父星：$ξ^1$ CMa和$δ$ Cet，同意与独立的测量。我们探讨了为什么模型可能无法预测更大的周期变化率的想法。特别是，周期漂移在$β$ Cep星可以人为地导致高估的长期周期变化率。
2015-09-17 astro-ph.SR
The Kepler Catalog of Stellar Flares
利用所有可用的开普勒光变曲线对恒星耀斑进行了均匀搜索。一个迭代的光变曲线去趋势的方法被用来过滤掉天体物理和系统的变化，以检测耀斑。耀斑恢复的完整性也计算了整个光变曲线使用人工耀斑注入测试，这项工作的工具已经公开。最终的样本包含851，168个超过68%完整性阈值的候选耀斑事件，这些事件是从4041颗恒星中检测到的，占开普勒数据库中恒星的1.9%。探测到的耀斑平均能量为~ $10^{35}$ erg。耀斑星的净比例随着$g-i$颜色或恒星质量的减小而增加。对于这个样本中具有先前测量的旋转周期的恒星，总的相对耀斑光度与罗斯比数进行了比较。对Rossby数小于0.03的快速自转低质量恒星的耀斑活动饱和进行了初步探测，发现耀斑活动随Rossby数的幂律衰减，斜率为-1，比典型的X射线活动随Rossby数衰减的测量值要小。
2016-07-12 astro-ph.SR
A method to estimate stellar ages from kinematical data
本文提出了一种根据恒星特有的速度$U$、$V$和$W$以及轨道偏心率建立恒星年龄概率密度函数的方法。本工作所用的样本来自日内瓦-哥本哈根巡天（GCS），它包含了大约$14\,000$星的空间速度、轨道偏心率和等时年龄。利用GCS星拟合了描述运动学性质分布与年龄关系的参数。这种参数化使我们能够从运动学数据中获得年龄概率。从这个年龄pdf，我们使用最可能的年龄和预期年龄估计恒星的平均年龄。我们从GCS得到了$9\,102$星年龄的pdf，并表明由我们的方法得到的单个年龄分布与等时年龄分布很好地一致。我们还观察到的平均金属丰度与我们的年龄小于7 Gyr的恒星，类似于观察到的等时年龄的下降。这种方法可以用于估计那些落在HR图中等时线密集区域的恒星的粗略年龄。作为这种方法的一个例子，我们估计的Trappist-1，这是一个M8 V星的年龄，获得的年龄$t(UVW) = 12.50(+0.29-6.23)$陀螺仪。
2018-01-12 astro-ph.GA astro-ph.SR
Equation of State for Nucleonic and Hyperonic Neutron Stars with Mass and Radius Constraints
我们得到一个新的中子星核子和超核内核的状态方程，满足2个$M_{\odot}$观测以及最近的恒星半径低于13公里的测定。核子状态方程是从一个新的参数化FSU 2的相对论平均场功能，满足这些最新的天体物理约束，并在同一时间，再现核物质和有限核的性质，同时履行限制推导出的高密度物质从重离子碰撞。一方面，中子星物质的状态方程在饱和密度附近软化，这增加了正则中子星的致密性，导致恒星半径低于13 km。另一方面，状态方程在较高密度下足够刚性，以满足2 $M_{\odot}$极限。通过对参数化的一点修改，我们还发现，当考虑超子时，半径约为13 km的2颗$M_{\odot}$中子星的约束也满足.包含在磁星中存在的高磁场进一步加强了状态方程。表面磁场为$ \sim 10^{15}$ G，内部磁场为$\sim 10^{18}$ G的超声波磁星，最大质量可达2 $M_{\odot}$，半径在12-13 km范围内。
2016-12-16 astro-ph.HE astro-ph.SR nucl-th
The effect of limited spatial resolution of stellar surface magnetic field maps on MHD wind and coronal X-ray emission models
本文研究了$5°$尺度和较小尺度太阳表面磁场图的空间分辨率对全球磁流体动力学太阳风模型和日冕加热和X射线发射模型的影响。我们比较驱动的解决方案，由低分辨率的威尔科克斯太阳天文台磁地图，相同的地图与空间分辨率人为增加的细化算法，和高分辨率的太阳和日光层天文台迈克尔逊多普勒成像仪地图。我们发现风结构和X射线形貌都受到精细尺度表面磁结构的影响。此外，X射线形态主要由较小尺度上混合极性之间的闭环结构控制，并且在高分辨率图和低分辨率图之间显示出显著变化。我们的结论是，冠状X射线发射的三维建模有更大的表面磁场空间分辨率的要求比风建模，可以是不可靠的，除非占主导地位的混合极性磁通量是正确的解决。
2012-12-10 astro-ph.SR
Impact of magnetic activity on inferred stellar properties of main sequence Sun-like stars
在类太阳恒星中观测到的振荡频率很容易受到磁活动效应的影响。测量到的位移取决于一个复杂的关系，涉及模式类型，场强和活动的空间分布，以及恒星的倾角。这些变化的证据也存在于频率分离比中，频率分离比通常用于推断恒星的整体性质，以避免表面效应。然而，当使用频率比用于此目的时，一个假设是不存在非球对称的近地表扰动。在这项工作中，我们研究了推断恒星属性的影响时，使用的频率比，受非均匀的活动分布。我们生成几组人工振荡频率与各种数额的转变，并确定恒星的性质，使用两个单独的管道。我们发现，对于类太阳目标的星震观测，我们可以预期磁活动会影响模式频率，这将使恒星建模分析的结果产生偏差。虽然对于大多数恒星的性质来说，这个偏移应该很小，通常小于0.5%的质量，但年龄和中心氢含量的估计可能分别有5%和3%的误差。我们预计更大的频移，因此更大的偏差更活跃的恒星。我们还警告说，对于具有非常高或非常低的倾角的恒星，模式对活动的响应更容易在分离比中观察到，因此将产生更大的偏差。
2021-02-04 astro-ph.SR
AIMS - A new tool for stellar parameter determinations using asteroseismic constraints
确定恒星性质的一个关键方面是将观测约束与恒星模型的预测进行比较。大规模天文地震推断（AIMS）是一个开放源代码，使用贝叶斯统计和马尔可夫链蒙特卡罗方法来找到一组代表性的模型，重现了一组给定的经典和天文地震约束。这些模型是通过在预先计算的网格上插值获得的，从而提高了计算效率。我们测试AIMS中不同操作模式的准确性与列日恒星演化代码（主序星和红巨星）计算的恒星模型网格，并比较结果从另一个asteroseismic分析管道，PARAM。此外，使用从网格内的模型生成的人工输入（假设模型是正确的），我们专注于考虑不同组合的观测约束（单个模式频率，周期间隔，视差，光球约束，.）时对代码精度的影响。我们的测试表明，使用AIMS合成数据的参数推断精度的绝对限制，以及代码与预期参数不确定性分布的一致性。插值测试突出了AIMS分析性能的基础物理学的重要性，并提供了参数步长上限的警告。所有测试都证明了AIMS作为一种分析工具的灵活性和能力，以及它对当前和未来的小行星地震数据产出进行准确的集合分析的潜力。
2019-01-09 astro-ph.SR
Modeling Fractional Polytropic Gas Spheres Using Artificial Neural Network
Lane-Emden微分方程描述了不同的物理和天体物理现象，包括恒星结构、等温气体球、气体球云热历史和电子流的形式。提出了一种基于神经网络的求解分数阶Lane-Emden微分方程的计算方法。这样的解将有助于解决在物理学、天体物理学、工程学和现实生活中有不同应用的分数多方气体球问题。我们使用人工神经网络（ANN）的框架，在其前馈反向传播学习计划。通过对4个分数阶Lane-Emden方程的计算，验证了算法的有效性和准确性，并与多面体指数n= 0，1，5的精确解和多变指数n=3的级数展开式的精确解进行了比较.结果表明，人工神经网络方法是可行的，准确的，并可能优于其他方法。
2020-06-27 astro-ph.SR physics.comp-ph
How magnetic activity alters what we learn from stellar spectra
磁场和恒星黑子可以改变恒星光谱中吸收线的等效宽度，在活动周期中发生变化。这也影响了我们通过光谱分析获得的信息。在这项研究中，我们分析了在其活动周期的不同阶段观察到的211颗类太阳恒星的高分辨率光谱，以研究恒星活动如何影响恒星参数和化学丰度的光谱测定。我们观察到，线的等效宽度可以增加作为一个函数的活动指数log R $^\prime_{\rm HK}$在恒星周期，这也产生了人为的增长的恒星微湍流和有效温度和金属丰度的下降。这种效应对于活动指数log R $^\prime_{\rm HK}$ $\geq$ $-$ 5.0的恒星是可见的（即，年龄小于4-5 Gyr），并且在较高的活动水平上更显着。这些结果对天体物理学中的几个主题具有根本性的影响，这些主题在本文中讨论，包括恒星核合成，化学标记，银河系化学演化的研究，化学异常恒星，银河系盘的结构，恒星形成速率，拱星盘的光蒸发，和行星狩猎。
2020-04-21 astro-ph.IM astro-ph.SR
Cooling of hypernuclear compact stars: Hartree-Fock models and high-density pairing
在Hartree和Hartree-Fock近似下，利用协变密度泛函理论建立的恒星模型研究了超核致密星的热演化.这两种类型的参数化是一致的天体物理质量的限制紧凑型恒星和现有的超核数据。我们讨论了这些密度泛函的差异，并强调它们对超核恒星的组成和冷却的影响。结果表明，超核星计算的密度泛函模型，具有低的对称性能量斜率，$L$，是相当一致的观测到的紧凑型恒星的冷却数据。这类基于较大的$L$值的恒星模型在低密度下产生了直接的Urca过程，这导致了显着更快的冷却。我们推测质子和$Λ$的高密度配对的$P$波通道，并提供简单的缩放参数，以获得这些差距。因此，质量为$1.8 \le M/M_{\odot} \le2$的最大质量恒星模型经历了涉及$Λ$和质子的超声波dUrca过程的较慢冷却。
2019-05-22 astro-ph.HE astro-ph.SR nucl-th
Population Synthesis at the Crossroads
本文综述了群体合成的最新进展。该领域目前正在进行重大修订，承认几个关键过程是新的关键成分。随机效应可以人为地增强或抑制某些演化阶段和/或恒星质量状态，并在例如，恒星初始质量函数的确定。后主序星演化通常与恒星性质在超短时间尺度上的不规则变化有关。例子是渐近巨星分支星和明亮的蓝色变星，这两个都在模型中处理得很差。恒星很少孤立地形成，真正的单星可能非常小。因此，恒星的多样性必须考虑，因为许多系统将在其演化过程中发展潮汐相互作用。最后但并非最不重要的是，恒星旋转可以大大增加恒星的温度和光度，这反过来又导致人口合成模型中的质量与光比的修正。
2011-11-22 astro-ph.CO astro-ph.SR
Application of Self-Organizing Map to Stellar Spectral Classifications
提出了一种自动、快速、准确、鲁棒的天体分类方法。自组织映射（SOM）作为一种无监督的人工神经网络（ANN）算法，被用于恒星光谱的分类。SOM被用来使不同的光谱类的JHC库的集群。这种人工神经网络技术不需要训练样本，直接将恒星光谱数据输入网络进行分类。JHC库包含161个光谱，其中158个光谱被选择用于分类。这158个光谱是网络的输入向量，并映射到二维输出网格中。将彼此接近的输入向量映射到输出空间中相同或相邻的神经元。因此，相似的对象在输出地图中形成聚类，使分析高维数据变得容易。在对158个恒星光谱（每个光谱2799个数据点）运行SOM算法后，对输出图进行了分析，发现输出图中有7个星团对应于O到M恒星类型。但是，在158个分类器中有12个分类错误，所有这些分类器都被错误地分类到正确聚类的邻域中，成功率约为92.4%。
2011-08-02 astro-ph.SR physics.data-an
Stellar Spectral Interpolation using Machine Learning
理论恒星光谱依赖于恒星大气模型，该模型是根据我们对恒星内部物理定律的理解计算出来的。这些模型，再加上原子和分子线数据库，被用来生成理论恒星光谱库（SSL），包括恒星光谱的大气参数（温度，表面重力，丰度）在任何所需的分辨率定期网格。另一类SSL被称为经验光谱库;这些包含在有限分辨率下观察到的光谱。在推导恒星和恒星星族的性质方面，超晶格起着至关重要的作用。理论库和经验库都受到参数空间覆盖范围有限的影响。通过在可用参数空间的网格内进行内插来生成特定大气参数集的光谱，在一定程度上克服了这一限制。在这项工作中，我们提出了一种使用机器学习算法在光学区域进行光谱插值的方法，该算法是通用的，易于适应任何SSL，而无需对模型参数进行太多更改，并且计算成本低廉。我们使用两种机器学习技术，随机森林（RF）和人工神经网络（ANN），并在MILES库上训练模型。我们将训练好的模型应用于CFLIB的光谱进行测试，结果表明两种模型的性能相当。我们表明，这两个模型实现更好的精度比现有的基于多项式的插值和高斯径向基函数（RBF）插值方法。
2020-06-20 astro-ph.IM astro-ph.SR
Stellar rotation and binaries in open clusters with Gaia DR3
INAF - Osservatorio Astrofisico di Arcetri（INAF-阿切特里天文台）；Dipartimento di Fisica e Astronomia, Università di Firenze（佛罗伦萨大学物理与天文学系）；INAF – Osservatorio Astronomico di Roma（INAF-罗马天文台）；Dipartimento di Fisica e Astronomia, Università degli Studi di Bologna（博洛尼亚大学物理与天文学系）
利用Gaia DR3数据研究开放星团中恒星自转特性，发现蓝走星、快速旋转红巨星及eMSTO星团的新结果，并提出蓝走星数量与星团质量年龄关系的新参数化模型。
2026-05-06 astro-ph.GA astro-ph.SR
O-type Stars Stellar Parameter Estimation Using Recurrent Neural Networks
Centro Universitario de Ciencias Economico Administrativas (CUCEA), Universidad de Guadalajara（瓜达拉哈拉大学经济管理科学大学中心（CUCEA））；Instituto de Astronomía y Meteorología (IAM), Universidad de Guadalajara（瓜达拉哈拉大学天文与气象研究所（IAM））；Escuela Nacional Colegio de Ciencias y Humanidades, Plantel Sur (ENCCH Sur), Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学（UNAM）国立科学与人文学院南校区（ENCCH Sur））
在本文中，我们提出了一种深度学习系统方法，使用恒星光谱的光学区域来估计O型恒星的光度，有效温度和表面重力。在以前的工作中，我们比较了一组机器学习和深度学习算法，以便建立一种可靠的方法来使用两种方法拟合恒星模型：恒星光谱模型的分类和回归型任务中物理参数的估计。在这里，我们提出的过程中，估计个人的物理参数，从人工神经网络的角度来看，有能力处理恒星光谱与低信噪比（S/N），在$<$ 20 S/N的边界。三种不同的递归神经网络系统的发展，使用恒星光谱模型的训练过程中，测试超过9个不同的观测恒星光谱，并与以前的作品中的估计比较。此外，恒星光谱的表征方法，以减少系统的输入数据的维数和优化的计算资源进行了讨论。
2022-10-27 astro-ph.IM astro-ph.SR cs.LG
Disentangling stellar atmospheric parameters in astronomical spectra using Generative Adversarial Neural Networks
Universidade da Coruña (UDC)（拉科鲁尼亚大学）；Universidad de Guadalajara（瓜达拉哈拉大学）
本研究提出基于生成对抗网络的方法，通过潜在空间解缠恒星光谱中的物理和化学参数，利用自编码器和判别器实现对抗训练，在Gaia RVS数据上验证了高精度和维度缩减的优势。
2025-01-20 astro-ph.GA astro-ph.IM astro-ph.SR
Analysis of Stellar Spectra from LAMOST DR5 with Generative Spectrum Networks
利用LAMOST DR 5卫星的生成光谱网络（GSN），计算了低分辨率光谱的基本恒星大气参数（Teff，log g，[Fe/H]和[α/Fe]）。这遵循与普通人工神经网络相同的方案，其中恒星参数作为输入，光谱作为输出。GSN模型在PHOENIX理论光谱上训练后在产生合成光谱方面是有效的。在分布式计算平台Spark上，结合贝叶斯框架对LAMOST观测光谱进行分析，提高了分析效率。此外，还通过与高分辨率勘测的参考参数和小行星地震结果进行比较，对这些结果进行了审查和验证。我们的结果与其他调查和目录的结果显示了良好的一致性。对于g带信噪比（SNRg）大于50的光谱，我们提出的方法是可靠的，Teff的精确度为80 K，log g的精确度为0.14 dex，[Fe/H]的精确度为0.07 dex，[α/Fe]的精确度为0.168 dex。作为这项工作的一部分估计的参数可在http://paperdata.china-vo.org/GSN_parameters/GSN_parameters.csv上获得。
2018-11-20 astro-ph.IM astro-ph.SR
Binaries drive high Type Ia supernova rates in dwarf galaxies
在ASAS-SN和DES中测量的特定Ia型超新星（SN Ia）率与宿主星系恒星质量$\dot{N}_\text{Ia} / M_\star \sim M_\star^{-0.3}$的比例关系强烈表明，由恒星星族产生的SN Ia的数量与其金属丰度成反比。我们估计所需的金属丰度依赖的强度相结合的平均恒星形成历史（SFHs）的星系作为其恒星质量的函数与质量金属丰度关系（MZR）的星系和常见的参数化的SN Ia延迟时间分布。在恒星质量为$M_\star = 10^{10}$和$10^{7.2} M_\odot$的恒星之间，SFH的差异只能解释比超新星Ia速率增加的30%。我们发现，需要一个额外的金属丰度依赖性约$\sim$ Z $^{-0.5}$来解释所观察到的缩放。这种缩放匹配的金属丰度的依赖关系密切的二元分数在APOGEE中观察到的，这表明，在低质量星系的增强SN Ia率可以解释由其更广泛的SFHS和更高的二元分数，由于其较低的金属丰度的组合。由于MZR的形状，只有低于$M_\star \approx 3\times10^9 M_\odot$的星系才受到金属性依赖的SN Ia速率的显著影响。随着红移的增加，$\dot{N}_\text{Ia} / M_\star \sim M_\star^{-0.3}$标度变浅，在我们的$\sim$ $Z^{-0.5}$标度下，在$z = 0$和$1$…
2022-10-04 astro-ph.GA astro-ph.SR
SpecFANN: Spectral Fitting via Artificial Neural Networks I. A deep learning based fastwind emulator and fitting suite
Instituto de Astrofísica de Canarias（加那利群岛天体物理研究所）；Universidad de La Laguna（拉古纳大学）；Space Telescope Science Institute（太空望远镜科学研究所）；Max Planck Institute for Astrophysics（马克斯·普朗克天体物理学研究所）；Max-Planck-Institut für Astronomie（马克斯·普朗克天文学研究所）；School of Mathematics, Statistics and Physics, Newcastle University（纽卡斯尔大学数学、统计与物理学院）；Institute of Astronomy, KU Leuven（鲁汶大学天体物理研究所）
研究旨在解决大质量恒星参数计算的计算瓶颈，通过计算FASTWIND合成光谱训练神经网络，开发SpecFANN包。该方法能快速准确获取恒星参数，相比传统方法计算时间大幅减少，证明神经网络可突破现有计算限制。
2026-07-21 astro-ph.IM astro-ph.SR
StarUnLink: identifying and mitigating signals from communications satellites in stellar spectral surveys
本文针对低轨卫星对大规模恒星光谱巡天的污染问题，提出基于卷积网络的识别、参数恢复与源分离方法，在WEAVE类巡天中实现高精度污染标记与小于1%的光谱重建误差，显著提升恒星参数测定性能。
2023-06-28 astro-ph.IM astro-ph.SR
Scaling Laws for Emulation of Stellar Spectra
Research School of Astronomy & Astrophysics, The Australian National University（澳大利亚国立大学天文与天体物理研究所）；Astronomical Institute, University of Wrocław（沃克劳大学天文研究所）；Department of Astronomy, The Ohio State University（俄亥俄州立大学天文学系）；Center for Cosmology and AstroParticle Physics (CCAPP), The Ohio State University（宇宙与天体粒子物理中心（CCAPP），俄亥俄州立大学）
本文研究 Transformer 恒星光谱仿真器的神经缩放定律，结合 TransformerPayne 与 Maximum Update Parametrization 给出均衡扩展训练指南，为光谱基础模型奠定基础。
2025-06-04 astro-ph.IM astro-ph.SR cs.LG
ExoDNN: Boosting exoplanet detection with artificial intelligence. Application to Gaia Data Release 3
ATG Science & Engineering for the European Space Agency (ESA)（欧洲航天局工程与技术科学部）；Universidad Complutense de Madrid（马德里康普顿斯大学）；Centro de Astrobiología (CAB, CSIC-INTA)（天体生物学中心（CSIC-INTA））；ISDEFE；European Space Agency (ESA), European Space Astronomy Centre (ESAC)（欧洲航天局欧洲空间天文中心）；European Space Agency (ESA), European Space Research and Technology Centre (ESTEC)（欧洲航天局欧洲空间研究与技术中心）
ExoDNN利用人工智能分析Gaia DR3数据，识别潜在系外行星宿主星，提升系外行星检测效率。
2026-02-02 astro-ph.EP astro-ph.IM astro-ph.SR
Ultrafast modulations in stellar, solar and galactic spectra: Dark Matter and numerical ghosts, stellar flares and SETI
本文探讨了SDSS恒星光谱中0.607 THz超快调制源于暗物质核心振荡的假设，结合SETI观测与深度学习分析验证了该频率，并推导出与伽马射线暴等结果一致的暗物质质量上限。
2023-10-19 astro-ph.GA astro-ph.HE astro-ph.SR
