Probabilistic Stellar Age Estimation for Gaia XP Stars with NGBoost
Inner Mongolia University(内蒙古大学)
研究针对大量恒星样本年龄估计难的问题,开发不确定性感知的NGBoost框架,通过修改损失函数、采用蒙特卡罗策略,结合盖亚XP数据构建含千万颗恒星的年龄目录,给出年龄及不确定性估计。
2026-07-21 astro-ph.GA astro-ph.IM astro-ph.SR
A Deep Multimodal Multi--Head Neural Network for Joint Estimation of Stellar Age, Lifetime, and Evolutionary Stage
Faculty of AI \& Robotics, Raffles University, Johor Bahru, Malaysia
本文提出了一种深度多模态多头神经网络,用于联合估计恒星年龄、寿命和演化阶段,通过结合光谱和光度数据,提高了恒星参数估计的精度和物理合理性。
2025-11-23 astro-ph.IM astro-ph.SR
The SEGUE Stellar Parameter Pipeline. V. Estimation of Alpha-Element Abundance Ratios From Low-Resolution SDSS/SEGUE Stellar Spectra
我们提出了一种从低分辨率(R = 2000)SDSS/SEGUE恒星光谱中确定α/Fe比值的方法。通过逐星比较,与来自WEDDIE光谱库的退化光谱和一组中等高分辨率的(R = 15,000)和中等分辨率(R = 6000)光谱的SDSS/SEGUE星,我们证明,我们能够测量[α/铁]从SDSS/SEGUE光谱(S/N > 20/1),对于大气参数范围为Teff = [4500,7000] K,log g = [1.5,5.0],[Fe/H] = [-1.4,+0.3]的恒星,精度优于0.1 dex,在范围[α/Fe] = [-0.1,+0.6]内。对于[Fe/H] <-1.4的恒星,我们的方法需要具有稍高信噪比的光谱来实现此精度(S/N > 25/1)。在所考虑的整个温度范围内,可以从我们的方法获得[alpha/Fe]的置信估计的最低金属丰度恒星是[Fe/H] ~ -2.5;初步测试表明,低至[Fe/H] ~ -3.0的金属丰度极限可能适用于较冷的恒星。作为对这种方法的进一步验证,对银河系球状星团(M15、M13和M71)和疏散星团(NGC 2420、M67和NGC 6791)的可能成员星的SEGUE光谱得到的[alpha/Fe]的加权平均值与以前研究的[alpha/Fe]值表现出很好的一致性。与NGC 6791的比较结果表明,该方法的金属丰度范围可扩展到~+0.5。
2010-10-14 astro-ph.IM
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
Autoencoder-based framework for anomaly detection in stellar spectra: application to the MaNGA Stellar Library
Research Center for the Early Universe, The University of Tokyo(东京大学早期宇宙研究中心)
本文提出基于自动编码器的恒星光谱异常检测方法,应用于MaNGA恒星库,识别异常光谱并分析其成因。
2026-03-04 astro-ph.IM astro-ph.SR
SDSS/SEGUE Spectral Feature Analysis For Stellar Atmospheric Parameter Estimation
大规模深空观测任务正在迅速收集大量的恒星光谱,这就需要直接从光谱中估计大气参数,并使在大数据集中对潜在原理进行统计研究成为可能。本文提出了一种从恒星光谱中估算参数$T_{eff}$、log $~g$和[Fe/H]的方法。利用这种技术,我们首先使用LASSO算法从恒星光谱中提取特征,然后使用SVR从提取的特征中估计参数。以SDSS/SEGUE Pipeline SSPP提供的参考参数为基础,在SDSS提供的20~000个恒星光谱子样本上,log $~T_{eff}$($T_{eff}$为101.609921 K)、log $~g$和[Fe/H]的估计一致性分别为0.007458 dex、0.189557 dex和0.182060 dex,其中一致性用平均绝对误差来评价。该方案的突出特点是稀疏性、局部性和物理可解释性。在这项工作中,每个光谱由3821个通量组成,并分别检测了10个,19个和14个典型的波长位置,用于估计$T_{eff}$,log $~g$和[Fe/H]。结果表明,这些位置与恒星光谱的典型谱线有关。这一特性在研究分析结果的物理指示时很重要。然后,恒星光谱可以描述的个人流量的检测位置(PD)或本地积分流量附近(LI)。上述一致性是基于LI描述的特征的结果。如果用PD描述特征,log $~T_{eff}$的一致性为0.009092 dex($T_{eff}$为124.5450…
2015-04-10 astro-ph.IM astro-ph.SR
Atomic data needs for the modelling of stellar spectra
目前需要的原子数据来模拟恒星光谱在不同的波长范围内获得的描述。这些数据的完整性和准确性的水平进行了讨论。
2015-09-30 astro-ph.IM astro-ph.SR
The Effects of Spectrograph Slit Modes on the Accuracy of Stellar Radial Velocity Measurement and Atmospheric Parameter Estimation
摄谱仪狭缝通常用于提高光谱分辨率和管理允许多少光进入摄谱仪。较窄的狭缝提供了较高的分辨率,但牺牲了光谱仪的效率,并导致低的信噪比(S/N)光谱产物。以郭守敬望远镜为例,进行了一系列实验研究其2/3狭缝模式对恒星径向速度测量和大气参数估计精度的影响。通过转换分辨率和添加高斯白噪声的斯隆数字巡天的极高质量的光谱,我们产生了不同的亮度与不同的S/N的合成恒星光谱。通过与原始高质量谱的比较,总结了2/3狭缝模式对恒星径向速度和大气参数测量精度的影响。
2013-06-07 astro-ph.IM astro-ph.SR
SDSS-DR12 Bulk Stellar Spectral Classification: Artificial Neural Networks Approach
本文探讨了概率神经网络(PNN)、支持向量机(SVM)和K均值聚类作为大质量恒星光谱自动分类工具的应用。
2016-09-11 astro-ph.IM astro-ph.SR
Resolved Stellar Mass Estimation of Nearby Late-type Galaxies for the SPHEREx Era: Dependence on Stellar Population Synthesis Models
本研究基于模拟SPHEREx数据比较四种恒星族合成模型,发现1.6 μm波段最适合估计邻近晚型星系的空间分辨恒星质量,并结合光学与SPHEREx颜色将弥散降至0.10-0.12 dex。
2025-02-04 astro-ph.GA astro-ph.IM
Unsupervised Learning for Stellar Spectra with Deep Normalizing Flows
恒星光谱包含了恒星的详细信息。然而,恒星光谱学中的大多数机器学习方法都集中在监督学习上。我们介绍了一种无监督学习方法Mendis,它采用由神经样条流和GLOW组成的归一化流来描述谱空间的复杂分布。Mendis的一个关键优势是,我们可以描述光谱的条件分布,以恒星参数为条件,进一步揭示光谱的基本结构。特别是,我们的研究表明,Mendis可以鲁棒地捕获光谱中的像素相关性,从而有可能从恒星光谱中检测到未知的原子跃迁。Mendis的概率性质还使得能够在广泛的光谱调查中严格确定异常值,而无需事先通过现有的分析管道测量元素丰度。
2022-07-06 astro-ph.IM astro-ph.SR
Program package for the analysis of high resolution high signal-to-noise stellar spectra
软件包SME(光谱学变得容易),旨在使用光谱拟合技术进行恒星光谱分析,由于在VALD中增加了新的功能(同位素和超精细分裂),并包括几个化学元素的能级的NLTE计算网格,因此进行了更新。SME允许自动导出恒星大气参数:有效温度、表面重力、化学丰度、径向和旋转速度、湍流速度,同时考虑到定义谱线形成的所有影响。SME软件包使用恒星大气的最佳网格,使我们能够在广泛的恒星参数和金属丰度范围内(从BAFGK光谱类的矮星到巨星)以类似的准确度进行光谱分析。
2017-10-30 astro-ph.IM astro-ph.SR
An autoencoder of stellar spectra and its application in automatically estimating atmospheric parameters
本文研究了利用光谱估计恒星大气参数的问题。特征提取是恒星参数自动估计的关键步骤。本文提出了一种光谱特征提取和大气参数估计的方法,首先利用自编码器从恒星光谱中学习一组基本结构元素,然后根据学习到的基本结构元素,通过卷积和池化等步骤从恒星光谱中提取代表性特征,最后利用该特征提取大气参数。第三,使用反向传播(BP)网络估计恒星参数($T_{eff}$,log $~g$,[Fe/H])。该方案已被评估的真实光谱从斯隆数字巡天(SDSS)/斯隆扩展银河系的理解和探索(SEGUE)和合成光谱计算从库鲁茨的新的不透明度分布函数(NEWODF)模型。对于真实光谱,log $~T_{eff}$的最佳平均绝对误差(MAE)为0.0060 dex,log $~g$的最佳平均绝对误差(MAE)为0.1978 dex,[Fe/H]的最佳平均绝对误差(MAE)为0.1770 dex;对于合成光谱,log $~T_{eff}$为0.004 dex,log $~g$为0.0145 dex,[Fe/H]为0.0070 dex。
2015-08-03 astro-ph.IM astro-ph.SR
Maximum likelihood estimation of local stellar kinematics
上下文恒星样本的平均速度和速度频散等运动学数据是研究银河系结构和演化的有用工具。然而,观测数据往往是不完整的(例如,缺少运动的径向分量)并且可能具有显著的观测误差。例如,盖亚观测到的大多数暗淡恒星将不会测量它们的径向速度。目标。我们的目标是制定和测试一个新的极大似然方法来估计运动学参数的局部恒星样本时,只有横向速度是已知的(从松弛和自行)。方法.使用合成生成的数据以及真实数据(基于日内瓦-哥本哈根调查)进行数值模拟,以研究该方法的统计特性(偏差,精度),并将其性能与Dehnen和Binney(1998)描述的更简单的“投影方法”进行比较。结果极大似然方法给出了更正确的估计的色散时,观测误差是重要的,并保证一个正定的色散矩阵,这是不总是得到与投影方法。可能的扩展和改进的方法进行了讨论。
2013-02-16 astro-ph.GA astro-ph.IM
StarFlow: Leveraging Normalizing Flows for Stellar Age Estimation in SDSS-V DR19
本文提出StarFlow方法,利用归一化流深度生成模型结合碳氮丰度估计演化恒星年龄,在SDSS-V DR19数据上生成包含378,720颗恒星的最大年龄星表,典型不确定性约2 Gyr。
2025-05-28 astro-ph.GA astro-ph.IM 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
Parameter Estimation for Stellar-Origin Black Hole Mergers In LISA
本文针对LISA探测恒星起源黑洞双星提出基于小波时频似然函数的贝叶斯参数估计算法,相比频域方法加速数个数量级并支持非平稳噪声处理,有助于区分前身星模型。
2022-12-08 astro-ph.HE astro-ph.IM gr-qc
Resolved and Integrated Stellar Masses in the SDSS-IV/MaNGA Survey, Paper I: PCA spectral fitting & stellar mass-to-light ratio estimates
我们提出了一种方法拟合光谱的星系使用的基组的主成分分析(PCA)的40000恒星形成历史(SFHS)的合成光谱库中获得的6个向量。使用这个库,我们提供了估计的解决有效的恒星质光比($\log Υ^*$)的数千个星系的SDSS-IV/MANGA积分场光谱调查。使用一个测试框架建立在额外的合成SFHS,我们表明,恒星的质光比的估计是可靠的(因为它们的不确定性)在各种信噪比,恒星金属丰度,尘埃衰减条件。最后,我们描述了未来发布的解决恒星质光比作为SDSS-IV/MANGA增值目录(VAC),并提供了一个链接到用于进行这种分析的软件。
2019-08-06 astro-ph.GA astro-ph.IM
The AMBRE Project: Stellar parameterisation of the ESO:FEROS archived spectra
AMBRE项目是欧洲南方天文台(ESO)和蓝色海岸天文台(OCA)之间的合作项目,旨在确定四台ESO摄谱仪存档光谱的恒星大气参数。AMBRE项目第一阶段完成了对FEROS存档光谱的恒星参数(有效温度、表面重力、全球金属丰度、α元素与铁的比率和径向速度)的分析。从收到的完整ESO:FEROS存档数据集,共确定了21551个科学光谱,涵盖了2005年至2010年。这些光谱对应约6285颗恒星。恒星参数的确定是使用恒星参数化算法MATISSE(光谱合成的矩阵反演)进行的,该算法是在OCA开发的,用于分析银河系考古学中的大规模光谱研究。已经构建了一个分析管道,它集成了光谱缩减和径向速度校正程序与MATISSE,以自动确定恒星参数的FEROS光谱。恒星大气参数(Teff,log g,[M/H]和[alpha/Fe])被确定为6508(30.2%)的FEROS存档光谱(~3087颗恒星)。确定了11963个(56%)存档光谱的径向速度。2370(11%)个光谱无法在管道内分析。在管道中分析了12673个光谱(58.8%),但根据自动化过程中确定的质量标准和误差分析,丢弃了它们的参数。这些被拒绝的光谱中的大多数被发现具有广泛的光谱特征,表明它们可能是热的和/或快速旋转的恒星,这些恒星不在FGKM恒星的参考合成光谱网格中。
2012-04-04 astro-ph.IM astro-ph.SR
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
Sengi: a small, fast, interactive viewer for spectral outputs from stellar population synthesis models
我们提出了森吉,https://christopherlovell.github.io/sengi,一个在线工具,用于查看光谱输出的恒星星族合成(SPS)代码。典型的SPS代码需要大量的磁盘空间或计算资源来产生具有任意参数的简单恒星星族的光谱。这使得他们很难以互动的、网络友好的格式展示他们的结果。Sengi使用非负矩阵分解(NMF)和双线性插值来估计恒星年龄和金属丰度的任意值的输出光谱。减少的磁盘需求和计算费用允许结果作为基于客户端的JavaScript应用程序。在本文中,我们提出的方法产生网格的光谱,拟合这些网格与NMF,双线性插值拟合系数,最后提供的预测和插值误差的估计。
2020-12-16 astro-ph.GA astro-ph.IM
Estimations of the Distances of Stellar Collapses in the Galaxy by Analyzing the Energy Spectrum of Neutrino Bursts
目前的中微子望远镜,根据其特殊的功能,可以重建银河系爆发的中微子光谱。由于光学对应物可能不可用,因此希望手头有替代方法来仅使用中微子数据估计超新星爆炸的距离。在这项工作中,我们提出的方法,我们提出的初步结果估计距离银河系超新星的中微子爆发的光谱形状和假设的基础上释放一个典型的超新星爆炸由于恒星坍缩的引力结合能。
2012-02-01 astro-ph.HE astro-ph.IM hep-ex
Stellar Population Astrophysics (SPA) with the TNG: Identification of a Sulphur line at lambda(air) = 1063.600nm in GIANO-B stellar spectra
上下文随着新的红外高分辨率光谱仪的出现,迫切需要精确的红外原子数据。在许多情况下,近红外恒星谱线的识别、波长、强度、展宽和超精细分裂参数不足以精确地模拟观测光谱,在其他情况下甚至不存在。一些恒星的特征还没有被确认。目标。这项工作的目的是确定在不同光谱类型的恒星的光谱中看到的λ(vac)= 1063.891 nm或λ(air)= 1063.600 nm的光谱特征,用GIANO-B光谱仪观察。方法.从标准原子数据库中搜索谱线以匹配谱线列表中未识别的特征没有成功。然而,通过调查原始的、已发表的实验室数据,我们能够识别出这一特征并解决问题。为了确认它的识别,我们在太阳强度谱中模拟了假定的恒星线,并找到了一个很好的匹配。结果我们发现,所观察到的光谱特征是一个恒星线起源于4s '-4p'过渡在SI,和它的缺席的原因是在原来的实验室测量从1967年为这条线的空气到真空的校正在原子线数据库。由内插求得S-I线的实验室波长为λ(vac)= 1063.8908 nm或λ(air)= 1063.5993 nm,上能级的激发能为9.74978 eV。
2019-10-08 astro-ph.IM astro-ph.SR
MPS-ATLAS library of stellar model atmospheres and spectra
恒星光谱包含了大量关于恒星大气状况的信息。然而,提取这些信息是具有挑战性的,需要全面的数值建模。在这里,我们提出了恒星光谱合成使用最近开发的国家的最先进的MPS-ATLAS代码上的恒星基本参数的细网格。这些计算已被广泛验证对太阳和恒星的观测,并可用于各种天体物理学的应用。这些光谱可在马克斯·普朗克数字图书馆(MPDL,https://edmond.mpdl.mpg.de/dataset.xhtml?)上获得persistentId=doi:10.17617/3.NJ56TR),并已被纳入ExoTiC-LD python包(https://github.com/Exo-TiC/ExoTiC-LD/),该包返回用于软件包Exoplanet Timeseries Characterisation(ExoTic)的恒星临边暗化系数。
2023-03-05 astro-ph.EP astro-ph.IM astro-ph.SR
An Application of Deep Neural Networks in the Analysis of Stellar Spectra
光谱调查需要快速有效的分析方法,以最大限度地发挥其科学影响。在这里,我们应用深度神经网络架构来分析SDSS-III APOGEE DR 13和合成恒星光谱。当我们的卷积神经网络模型(StarNet)在APOGEE光谱上进行训练时,我们表明恒星参数(温度,重力和金属量)的确定具有与APOGEE管道相似的精度和准确性。StarNet还可以在合成数据上进行训练后预测恒星参数,在各种信噪比范围内,APOGEE数据和合成数据都具有出色的精度和准确度。此外,恒星参数测定的统计不确定性与APOGEE管道结果和独立于光谱测定的结果之间的差异相当。我们将StarNet与其他数据驱动的方法进行了比较;例如,StarNet和Cannon 2在使用相同数据集进行训练时表现出类似的行为,但StarNet在原始Cannon使用的小训练集上表现不佳。恒星参数的光谱特征的影响,检查通过偏导数的StarNet模型结果相对于输入光谱。虽然StarNet是使用APOGEE观测光谱和相应的ASSET合成数据开发的,但我们认为这种技术适用于其他波长范围和其他光谱调查。
2018-01-24 astro-ph.IM astro-ph.SR
Estimation of stellar atmospheric parameters from LAMOST DR8 low-resolution spectra with 20$\leq$SNR$<$30
South China Normal University(华南师范大学);National Astronomical Observatories, Chinese Academy of Sciences(中国科学院国家天文台);University of Chinese Academy of Sciences(中国科学院大学)
针对LAMOST DR8低信噪比光谱,提出LASSO-MLP数据驱动方法,显著提升恒星大气参数估计精度,并发布大规模估计目录及配套资源。
2022-04-13 astro-ph.GA astro-ph.IM cs.LG
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
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
Inversion of stellar fundamental parameters from Espadons and Narval high-resolution spectra
本研究的总体内容是从高分辨率Echelle光谱反演恒星基本参数。我们的目标确实是开发一种快速可靠的工具,用于对Espadons和Narval分光偏振仪产生的光谱进行后处理。我们的反演工具依赖于主成分分析。它允许降维和一个特定的度量的定义,用于搜索最近的邻居之间的观测光谱和一组观测光谱从Elodie恒星库。导出了有效温度、表面重力、总金属丰度和投影旋转速度。在这项研究中提出的各种测试,并从唯一的信息来自一个光谱带中心周围的Mg I b-三重态和光谱从FGK星是非常有前途的。
2014-11-18 astro-ph.IM astro-ph.SR
AESTRA: Deep Learning for Precise Radial Velocity Estimation in the Presence of Stellar Activity
AESTRA 通过自监督深度学习结合光谱自编码器与视向速度估计器,在恒星活动噪声下实现低至 0.1 m/s 的行星信号探测。
2023-11-30 astro-ph.EP astro-ph.IM
Bayes-based orbital elements estimation in triple hierarchical stellar systems
在某些相当普遍的条件下(由动力学轨道演化驱动),从轨道参数估计的角度来看,一个等级三恒星系统可以很好地近似为两个双星系统的组合。即使在这种简化的近似下,由于参数空间的高维性以及这些参数与观测(天体测量和径向速度)之间的复杂关系,轨道要素的推断也是一个具有挑战性的技术问题。在这项工作中,我们提出了一种新的方法,使用贝叶斯马尔可夫链蒙特卡洛为基础的框架的三重层次系统的研究。特别是,图形模型被引入到描述参数和观测之间的概率关系,在一个动态的自洽的方式。作为信息源,我们考虑孤立天体测量的情况下,孤立的径向速度,以及与这两种类型的测量联合的情况下。图形模型提供了一种新的方式来执行条件独立分量(因子)的联合分布(参数和观测)的因子分解,使得可以在两阶段过程中执行估计,该过程顺序地组合不同的观测。我们的框架进行了测试,对三个充分研究的基准情况下的三重系统,在那里我们确定的内部和外部的轨道要素,再加上相互倾斜的轨道,和单个恒星的质量,以及后验概率(密度)分布所有这些参数。我们的研究结果与以前的研究一致。我们还提供了一个数学形式,以减少在参数空间的三重分级恒星系统的维数一般。
2021-05-11 astro-ph.GA astro-ph.IM astro-ph.SR
Simultaneous Estimation of Photometric Redshifts and SED Parameters: Improved Techniques and a Realistic Error Budget
我们试图提高联合星系光度红移估计和光谱能量分布(SED)拟合的准确性。通过模拟不同来源的未校正的系统误差,我们证明,如果测光红移的不确定性估计正确,所以是那些对其他SED拟合参数,如恒星质量,恒星年龄,尘埃红化。此外,我们发现,如果红移的不确定性是过度(下)估计,在SED参数的不确定性往往是过度(下)估计的类似金额。这些结果举行,即使在存在严重的系统学,并提供了,第一次,一种机制,以验证这些参数的不确定性,通过比较光谱红移。我们提出了一种新的技术(退火),重新校准的联合不确定性的照片-z和SED拟合参数,而不影响的SED拟合+照片-z估计的性能。该程序提供了SED拟合+ z参数空间中多维概率分布函数的一致估计,包括所有相关性。虽然联合SED拟合和photo-z估计的性能可能会受到模板不完整性的阻碍,我们表明,后者是“标记”的一个大部分的离群值的红移,并通过使用灵活的恒星星族合成模型和更现实的恒星形成历史,可以实现显着的改善。在所有的情况下,我们发现恒星的年龄中值比恒星形成开始的时间恢复得更好。
2015-02-26 astro-ph.GA astro-ph.IM
Denoising medium resolution stellar spectra with neural networks
我们训练的降噪自动编码神经网络中分辨率的模拟光谱的晚型星,以证明原始流量的重建是可能的,在一个典型的相对误差的百分之几下降到一个典型的信噪比为10每像素。我们表明,相对简单的网络能够学习恒星光谱的特性,同时仍然足够灵活,以适应不同的消光值和通量的缺陷,修改整体形状的连续,以及不同的多普勒频移值。去噪光谱可用于为传统的恒星模板拟合算法找到初始值,并且-由于预训练神经网络的评估比传统的模板拟合快得多-当需要快速分析噪声光谱时,例如在观测期间,在单独曝光之间,去噪网络可以是有用的。
2024-09-18 astro-ph.IM astro-ph.SR
Closing the stellar labels gap: Stellar label independent evidence for [$α/M$] information in Gaia BP/RP spectra
本文提出不依赖恒星标签的变分自编码器模型,用于Gaia BP/RP光谱重建,并证明XP光谱在5000 K以下巨星中独立包含有意义的[$α/M$]信息。
2025-02-05 astro-ph.GA astro-ph.IM astro-ph.SR
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
Assessing the performance of LTE and NLTE synthetic stellar spectra in a machine learning framework
在当前的恒星光谱巡天时代,合成光谱库是推导恒星参数和化学丰度的基础。在本文中,我们比较了使用五种流行的合成光谱网格(INTRIGOSS,FERRE,AMBRE,PHOENIX和MPIA/1DNLTE)与我们的卷积神经网络(CNN,$\texttt{StarNet}$)确定的恒星参数。恒星的参数被确定为六个物理特性(有效温度,表面重力,金属,[ $α$ /Fe],径向速度和旋转速度)给定的光谱分辨率,信噪比,和波长范围的光学火焰紫外光谱从盖亚-ESO调查。CNN建模和认识的不确定性都通过训练网络的集合来合并。$\texttt{StarNet}$训练也适用于通过增加真实的观测特征(即分辨率匹配、波长采样、高斯噪声、零通量值、旋转和径向速度、连续体去除和掩蔽大地区域)来减轻合成网格和观测光谱之间的差异。利用FGK型矮星和巨星的FLAMES-UVES光谱作为测试集,我们对$\texttt{StarNet}$的星标预测的准确性和精度进行了量化。当$\texttt{StarNet}$在MPIA/1DNLTE合成网格上训练时,我们在很宽的参数范围内发现了优异的结果,并且当在1DLTE网格上训练时,在较小的参数范围内得到了可接受的结果。这些测试还表明,我们的CNN管道是高度适应多个模拟网格。
2020-09-02 astro-ph.IM astro-ph.SR
Parameter Estimation of LAMOST Medium-resolution Stellar Spectra
针对LAMOST中分辨率光谱规模大、信噪比范围广且参数空间分布不均导致低温、高温或低金属丰度光谱参数估计不准的问题,提出基于多区域的SPEMR方法,在信噪比≥10时显著提升有效温度、表面重力、金属丰度及13种元素丰度的估计精度,并发布419万条光谱的星表、代码、模型及数据。
2023-12-26 astro-ph.GA astro-ph.IM astro-ph.SR
Atmospheric stellar parameters for large surveys using FASMA, a new spectral synthesis package
在以银河系恒星星族为重点的大规模光谱调查的时代,天文学家希望利用大量和高质量的数据来获得它们的大气参数,而不会失去自动程序的精度。在这项工作中,我们开发了一个新的光谱包,FASMA,估计恒星大气参数(即有效温度,表面重力和金属丰度)在一个快速和强大的方式。该方法适用于FGK型恒星的中高分辨率光谱。光谱分析基于使用辐射转移代码MOOG的光谱合成技术。谱线列表主要由光谱中的铁谱线组成。原子数据是在太阳和大角星之后校准的。我们使用两个比较样本来测试我们的方法,i)来自高分辨率HARPS光谱仪的451个FGK型矮星样本,ii)使用高分辨率和中等分辨率光谱的Gaia-ESO基准星。我们探索偏见,我们的方法从分析合成光谱覆盖我们感兴趣的参数空间。我们表明,我们的光谱包是能够提供可靠的结果,为广泛的恒星参数,不同的旋转速度,不同的仪器分辨率,并为不同的光谱区域的VLT-GIRAFFE光谱仪,除其他外用于盖亚-ESO调查。FASMA估计恒星参数在不到15分钟的高分辨率和3分钟的中分辨率光谱。完整的软件包向社区公开。
2017-10-16 astro-ph.IM astro-ph.SR
EChO spectra and stellar activity II. The case of dM stars
EChO是一项专门研究系外行星大气的任务。在提取行星信号时,必须注意宿主恒星的变化,这会引入光谱失真,可能被误认为是行星信号。磁变率是一个主要问题,特别是对M星。为此,假设恒星光球为单光斑主导模型,我们开发了一种观测-理论混合工具,从观测到的光谱中提取光斑参数。这种方法依赖于一个强大的光谱M模板库,我们使用SDSS数据库中安静的M矮星的观测光谱获得。我们的程序允许校正所观察到的光谱的光球活动在大多数分析的情况下,减少光谱失真的噪声水平。不断完善的模板库和算法将提高我们的算法的效率。
2014-01-27 astro-ph.EP astro-ph.IM
MPS-ATLAS: A fast all-in-one code for synthesising stellar spectra
上下文恒星光谱合成对于从确定恒星参数到全面的恒星变率计算的各种应用都是必不可少的。新的观测资源以及先进的恒星大气建模,考虑到辐射磁流体力学计算的三维(3D)效应,需要更有效的辐射转移。目标。为了准确、快速和灵活地计算不透明度分布函数(ODF)、恒星大气和恒星光谱,我们在成熟的ATLAS 9代码基础上开发了一个高效的代码。新代码还为在恒星计算中轻松快速地访问不同元素组成铺平了道路。方法.为了生成ODF表,我们进一步开发了完善的DFSYNTHE代码,实现了额外的功能,并通过采用并行计算方案来加速。此外,使用的线路列表可以从Kurucz的最新列表中更改。特别是,我们实现了VALD 3行列表。结果本文提出了一种新的程序--合并的简化ATLAS程序。它结合了ODF的有效生成,大气建模和光谱合成在当地的热力学平衡,因此是一个所有功能于一身的代码。这种一体化代码提供了更多的数字功能,并且与其他可用代码相比速度更快。完全可移植的MPS-ATLAS代码与以前的ATLAS 9计算、PHOENIX代码计算和高质量观测进行了验证。
2021-05-28 astro-ph.IM astro-ph.SR
MSG: A software package for interpolating stellar spectra in pre-calculated grids
虽然恒星发出的光谱可以通过模拟恒星大气层中每一层的辐射流来计算,但这个过程在计算上是昂贵的。因此,在光球参数的网格上预先计算光谱,然后在该网格内插值,通常会更有效。MSG(Multidimensional Spectral Grids的缩写)是一个实现这种插值功能的软件包。
2023-01-29 astro-ph.IM astro-ph.SR
PCA-based inversion of stellar fundamental parameters from high-resolution Echelle spectra
本研究的总体内容是从高分辨率Echelle光谱反演恒星基本参数。我们的目标是开发一种快速可靠的工具,用于对特别是Espadons和Narval分光偏振仪产生的光谱进行后处理。我们的反演工具依赖于主成分分析。它允许降维和一个特定的度量的定义,用于搜索观察到的光谱和一组合成光谱之间的最近邻。导出了有效温度、表面重力、总金属丰度和投影自转速度。我们的第一次测试,基本上是根据来自RVS光谱仪即将从GAIA空间天文台观测到的光谱带的唯一信息进行的,并且主要来自FGK矮星的光谱非常有希望。我们还测试了我们的方法与一些目标超出这个域的H-R图。
2014-08-04 astro-ph.IM 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
Interpreting deep learning-based stellar mass estimation via causal analysis and mutual information decomposition
Pengcheng Laboratory(鹏城实验室);Harbin Institute of Technology(哈尔滨工业大学);Department of Astronomy, The Ohio State University(天文学系,俄亥俄州立大学);Center for Cosmology and AstroParticle Physics (CCAPP), The Ohio State University(宇宙学与天体粒子物理中心(CCAPP),俄亥俄州立大学)
本研究通过因果分析和互信息分解技术,解释深度学习在恒星质量估计中的作用,揭示输入数据对估计任务的贡献。
2025-10-05 astro-ph.GA astro-ph.IM cs.AI
Stellar Spectra Fitting with Amortized Neural Posterior Estimation and nbi
University of California, Berkeley(加州大学伯克利分校)
本文利用 nbi 软件包为 APOGEE 巡天构建 ANPE 模型,通过纳入真实测量不确定度处理光谱噪声,实现大规模恒星参数的低成本实时推断。
2023-12-09 astro-ph.GA astro-ph.IM astro-ph.SR
Stellar Characterization of Keck HIRES Spectra with The Cannon
为了准确地解释观测到的系外行星的性质,有必要首先对宿主恒星的性质进行详细的了解。然而,以恒星为基础分析恒星性质的物理模型在足够大的样本下可能变得难以计算。此外,这些模型受到可用光谱的波长覆盖的限制。我们结合以前从冷星光谱特性(SPOCS)目录中获得的光谱特性(Brewer et al. 2016)使用Cannon生成建模,以生成能够导出恒星参数的模型($\log g$、$T_{\mathrm{eff}}$和$v\sin i$)和15种元素丰度(C,N,O,Na,Mg,Al,Si,Ca,Ti,V,Cr,Mn,Fe,Ni,and Y)的恒星光谱。我们证明了我们的模型的高准确性和精度,它只需要$\sim$ 3秒,以分类每个恒星,通过交叉验证与预先标记的光谱从SPOCS样本。我们的训练模型以连续归一化模板光谱作为输入,可在https://github.com/malenarice/keckspec上公开获得。最后,我们内插我们的光谱,并采用相同的建模方案,以恢复标签477恒星使用档案恒星光谱之前获得凯克的2004年探测器升级,证明了我们的插值模型可以成功地预测不同光谱仪的恒星标签,这些光谱仪具有(1)足够相似的系统学和(2)与后光谱仪的波长范围基本重叠的波长范围。2004年HIRES光谱。
2020-07-06 astro-ph.EP astro-ph.IM astro-ph.SR
NEIDSpecMatch: stellar parameter estimation with NEID spectra using an empirical library
本研究推出基于经验光谱比对的NEIDSpecMatch工具,可从NEID光谱仪数据中提取恒星参数,经交叉验证具备较低不确定度,支持pip安装,适用于多种NEID观测光谱。
2025-03-20 astro-ph.GA astro-ph.HE astro-ph.IM
GalaxyFlow: Upsampling Hydrodynamical Simulations for Realistic Mock Stellar Catalogs
针对宇宙学N体模拟需上采样生成恒星星表的需求,提出基于归一化流的GalaxyFlow方法及改进的自适应核密度估计上采样法,经验证GalaxyFlow密度估计精度更高但计算量更大。
2024-08-20 astro-ph.GA astro-ph.IM hep-ph
Deriving the stellar labels of LAMOST spectra with Stellar LAbel Machine (SLAM)
LAMOST调查在其数据发布5(DR 5)中提供了900万个光谱,R $\sim$ 1800。对于如此大的样本,提取精确的恒星标签至关重要。在本文中,我们报告的恒星LABEL机(SLAM),这是一个基于支持向量回归(SVR),一个强大的非线性回归技术的数据驱动的方法的实现。由于能够用SVR对高度非线性问题进行建模,SLAM通常可以在广泛的光谱类型上获得恒星标签。与其他流行的数据驱动方法相比,这使它具有独特的功能。为了说明这种能力,我们测试的性能SLAM的恒星范围从Teff $\sim$ 4000到$\sim$ 8000 K的LAMOST光谱和恒星标签上训练。在g波段信噪比(SNRg)大于100时,Teff、logg和[Fe/H]的随机不确定度分别为50 K、0.09 dex和0.07 dex。然后,我们建立了另一个由APOGEE和LAMOST共星训练的SLAM模型,以证明其处理高维问题的能力。光谱来自LAMOST DR 5,训练集的恒星标签来自APOGEE DR 15,包括Teff、logg、[M/H]、[ $α$ /M]、[C/M]和[N/M]。在SNRg $\sim$ 100处,这些参数的交叉验证散点分别为49 K、0.10 dex、0.037 dex、0.026 dex、0.058 dex和0.106 dex。这一性能与其他最新的数据驱动模型处于同一水平。作为一个副产品,我们…
2019-10-07 astro-ph.GA astro-ph.IM astro-ph.SR
The AMBRE Project: Stellar Parameterisation of the ESO:UVES archived spectra
AMBRE项目是欧洲南方天文台(ESO)和蓝色海岸天文台(OCA)之间的合作项目,旨在确定四台ESO摄谱仪存档光谱的恒星大气参数。在AMBRE项目的第三阶段,已经完成了UVES存档光谱的恒星参数分析。从2000年至2010年期间收到的完整ESO:UVES存档数据集中,分析了六种标准设置的51921个光谱。AMBRE分析管道使用恒星参数化算法MATISSE来获得恒星大气参数。合成网格目前仅限于FGKM星。在AMBRE:UVES中分析的51,921个UVES存档光谱中,有12,403个报告了恒星大气参数。这相当于约23.9%的样本和约3,708颗恒星。有效温度、表面重力、金属丰度和α元素与铁的比值丰度提供了10,212个光谱(~19.7%),而至少有效温度提供了其余2,191个光谱。报告了36,881个(~71.0%)分析存档光谱的径向速度。本文报道了sigmaTeff~ 110 dex,sigmalogg~0.18dex,sigma[M/H]~0.13dex和sigma[alpha/Fe]~0.05dex的典型外误差,并报道了巨星和矮星之间以及装置之间的一些变化。UVES用于观测大量的恒星和非恒星天体,所有这些天体都包含在ESO提供给OCA的存档数据集中。AMBRE分析提取位于AMBRE慢旋转合成光谱网格的FGKM参数空间内的那些对象。因此,通过同质盲分析,AMBRE成功地从ESO:…
2016-02-26 astro-ph.GA astro-ph.IM astro-ph.SR
ProGeny I: a new simple stellar population spectra generator and impact of isochrones / stellar atmospheres / initial mass functions
本文发布用 R 编写的新星族库软件 ProGeny,可生成含随年龄或金属丰度演化 IMF 的 SSP,并通过内外比较证明等时线选择对光谱影响最大。
2025-05-16 astro-ph.CO astro-ph.GA astro-ph.IM
ZASPE: A Code to Measure Stellar Atmospheric Parameters and their Covariance from Spectra
我们描述了带状大气恒星参数估计(ZASPE),一个新的算法,及其相关的代码,用于确定精确的恒星大气参数和它们的不确定性,从高分辨率阶梯光谱的FGK型恒星。ZASPE估计恒星大气参数的方法是将观测到的光谱与合成光谱网格进行比较,只在对大气参数变化最敏感的光谱区进行比较。考虑到观测光谱和最佳拟合合成光谱之间的系统失配,从数据本身计算参数的实际不确定性。在此过程中还估计了参数之间的协方差。ZASPE原则上可以使用任何预先计算的合成光谱网格。我们测试了两个现有库的性能(Coehelo等人,2005年,Husser等人,2013年),我们得出的结论是,这两个库都不适合计算精确的大气参数。我们描述了一个过程来合成一个新的库的合成光谱,发现产生一致的结果时,与不同的方法(干涉,asteroseismology,等效宽度)获得的参数相比。
2016-07-20 astro-ph.EP astro-ph.IM astro-ph.SR
Improving Harmonic Analysis using Multitapering: Precise frequency estimation of stellar oscillations using the harmonic F-test
本研究将mtNUFFT多锥度谱估计与谐波F检验结合,实现对恒星振荡周期信号的精确频率估计,并能区分瞬态与严格周期振荡,已集成于Python包tapify中。
2024-05-28 astro-ph.EP astro-ph.IM astro-ph.SR
Wobble: A Data-driven Analysis Technique for Time-series Stellar Spectra
近年来,专用的极精密径向速度(EPRV)摄谱仪已经为明亮的恒星产生了大量的高分辨率,高信噪比的时间序列光谱。这些数据包含有价值的信息,通过测量的RV和恒星特征通过共同添加的光谱的行星检测的双重目的。然而,相当大的数据分析的挑战存在于从观测到的光谱中提取这些数据产品在尽可能高的精度,包括大地吸收特性差的问题和假设的恒星光谱模板的共同使用。在这两个例子中,直接使用数据可以避免对外部信息的精度限制依赖。在这里,我们提出了一个数据驱动的方法,同时提取精确的RV和推断使用线性模型(在流量的日志)的基础恒星和大地光谱。该模型采用凸目标和凸正则化,以保持快速优化的光谱分量。我们在wobble中实现了这种方法,wobble是一个开源的Python包,它在天文数据的第一个非神经网络应用程序中使用了TensorFlow。在这项工作中,我们展示了档案HARPS光谱摆动的性能。我们恢复了规范的系外行星51飞马座b,检测M矮巴纳德星的长期RV演化,并检索热木星HD 189733 b的罗斯特-麦克劳克林效应。该方法还产生极高的S/N复合恒星光谱和详细的时变大地光谱,我们也在这里。
2019-09-30 astro-ph.EP astro-ph.IM astro-ph.SR