基于物理信息神经网络的微分恒星大气模型
Differentiable Stellar Atmospheres with Physics-Informed Neural Networks
AI总结：
本文提出物理信息神经网络Kurucz-a1，模拟LTE下的一维恒星大气，通过流体静力学约束实现可微求解，优于ATLAS-12，支持数据驱动的恒星参数优化。
摘要：
我们提出了Kurucz-a1，一种物理信息神经网络（PINN），用于模拟局部热平衡（LTE）条件下的一维恒星大气模型，解决了微分恒星光谱学中的一个关键瓶颈。通过在训练过程中将流体静力学平衡作为物理约束，Kurucz-a1创建了一个可微的大气结构求解器，在保持物理一致性的同时实现了计算效率。Kurucz-a1能够实现优于ATLAS-12本身的流体静力学平衡，并且与太阳观测光谱更加一致，展示了现代优化技术的优势。结合现代可微辐射传输代码，该方法能够实现对不同恒星群体中通用物理参数的数据驱动优化——这是下一代恒星天体物理学所必需的能力。
英文摘要：
We present Kurucz-a1, a physics-informed neural network (PINN) that emulates 1D stellar atmosphere models under Local Thermodynamic Equilibrium (LTE), addressing a critical bottleneck in differentiable stellar spectroscopy. By incorporating hydrostatic equilibrium as a physical constraint during training, Kurucz-a1 creates a differentiable atmospheric structure solver that maintains physical consistency while achieving computational efficiency. Kurucz-a1 can achieve superior hydrostatic equilibrium and more consistent with the solar observed spectra compared to ATLAS-12 itself, demonstrating the advantages of modern optimization techniques. Combined with modern differentiable radiative transfer codes, this approach enables data-driven optimization of universal physical parameters across diverse stellar populations-a capability essential for next-generation stellar astrophysics.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
