广州大学NADC大湾区分中心与合作团队利用深度学习方法搜寻热亚矮星
发布时间:
2022-01-25 16:35
修改时间:
2022-01-25 16:35
文章类别:
阅读次数:
1468

近期,广州大学国家天文科学数据中心大湾区分中心、中国科学院国家天文台团队和西华师范大学团队、中国科学院云南天文台的谈磊、梅盈、王锋、邓辉、柳志存、罗杨平、刘超和邓林华等人,开展了基于深度学习方法的热亚矮星的搜寻研究。本研究基于LAMOST发布的光谱数据,通过构建深度学习模型,并将得到的模型应用到LAMOST中热亚矮星的识别和筛选中,得到了2393个候选体,通过交叉和人工证认,有2092颗被证明是热亚矮星,其中25颗是新发现的。

该项研究成果以“A Robust Hot Subdwarfs Identification Method Based on Deep Learning”为题被国际天文学杂志《天体物理学期刊增刊》(The Astrophysical Journal Supplement Series)接收。论文链接:点击这里

热亚矮星是位于赫罗图(HRD)上主序以下的核心烧氦星,由于其演化阶段,被称为极端水平分支(EHB)星,搜索和识别热亚矮星以及构建热亚矮星目录是热亚矮星研究的一个热点方向。国家大科学装置LAMOST运行至今,从低分辨率到中分辨率巡天已经积累了千万级的恒星光谱数据。从LAMOST目录中识别热亚矮星具有重要的研究价值,因为LAMOST可以提供热亚矮星的光谱特征,揭示热亚矮星形成和演化的细节。但由于LAMOST没有测光观测,传统的颜色切割方法无法运用于热亚矮星的搜寻中,并且由于数据量庞大,人工证认会耗费大量的时间和精力。深度学习在近年来被广泛应用于天文数据处理里面,尤其对大规模的数据处理具有优势。
本研究提出了一种鲁棒的基于卷积神经网络(CNN)的热亚矮星搜寻方法。本研究利用LAMOS DR7-V1的光谱数据作为数据集构建了一个混合模型(网络结构见图1),包括一个8类分类模型和一个2分类模型,该模型在测试集上达到了96.17%的准确率。

图1 网络结构

总的来说,本研究提出的模型可以有效地识别特定的光谱,结果鲁棒,精度高,可以进一步应用于大规模光谱的分类和特定目标的搜索。

这项工作得到了中国国家SKA计划(2020SKA0110300)、国家基金青年科学基金(11903009)、国家自然科学基金委员会和中国科学院合作的天文学联合研究基金(U1831204,U1931141)、国家自然科学基金委员会国际合作与交流基金(11961141001)、国家科学基金(12173028)、广州市基础与应用基础研究项目(202102020677)、广州大学全日制研究生基础创新项目(2021GDJC-M15)的支持。

国家天文科学数据中心为天文观测设备和研究计划提供数据与技术服务。

)
Yang Hanxi
(文章编辑:
我们使用cookies为您提供更好的体验。继续使用本网站,即表示您同意按照我们的Cookie 政策使用cookie。
接受