近日，山东大学硕士研究生刘士祺在国家天文科学数据中心青年数据科学家、山东大学李凯教授指导下，依托TESS空间望远镜观测数据，在食双星自动分类研究中取得重要进展。相关成果以“The Phenomenological Classification of TESS Eclipsing Binaries”为题，发表于天文学权威期刊《The Astrophysical Journal Supplement Series》。论文链接：点击这里。
食双星作为天然的天体物理实验室，在精确测定恒星基本参数、揭示恒星结构演化等方面具有不可替代的作用。其光变曲线形态直接反映了双星系统的轨道倾角、质量比等关键物理参数。同时，准确的光变曲线分类也是后续开展物理参数求解的重要前提，有助于缩小参数空间、提高求解效率与可靠性。根据光变曲线的形态特征，食双星通常被分为大陵五型（EA）、天琴座β型（EB）和大熊座W型（EW）三类，其典型光变曲线如图1所示。近年来，随着TESS等大规模巡天项目的推进，测光数据呈现爆炸式增长，也极大地丰富了食双星的样本数量。在此背景下，传统依赖人工或简单规则的分类方法效率低下，已难以满足海量数据高效处理的需求。开发基于机器学习的自动化、智能分类方法已成为天体物理研究的重要方向。
图1 从左至右依次为 EA、EB、EW 型食双星的典型光变曲线
本论文以实现EA、EB和EW三类食双星的自动化、高精度分类为目标，设计了一套完整的数据处理与分类流程：
- 标准化数据预处理：从ASAS-SN星表提取食双星，与TESS观测目标交叉匹配并获取光变曲线。经过去趋势、相位折叠、降噪、归一化等处理，最终构建了包含9576条高质量光变曲线（EA: 2801，EB: 1930，EW: 4845）的训练样本集。
- 全连接神经网络分类模型：设计并训练了一个双隐藏层的全连接神经网络，采用加权交叉熵损失函数以解决训练样本类别不平衡问题。模型在验证集和测试集上的准确率分别达到99.23%和99.03%，展现出优异的分类性能，测试集混淆矩阵如图2所示。
- 自编码器异常检测机制：引入自编码器结合单类支持向量机进行异常检测，无监督学习正常光变曲线的内在特征，有效识别并剔除低质量或非食双星样本，保障模型在实际应用中的鲁棒性。
图2 FCNN模型在测试集的混淆矩阵
本研究将上述模型应用于20196个TESS食双星系统，结合神经网络预测与人工目筛，最终编录了包含13376个EA型、2114个EB型以及4706个EW型的食双星星表。通过将分类结果与现有星表进行交叉比对，证实了该模型的可靠性。
综上所述，本研究开发的食双星分类模型，既为TESS测光数据提供了有价值的食双星星表，也为未来大规模测光巡天中食双星的快速自动分类奠定了方法基础。