deep-REMAP: Probabilistic Parameterization of Stellar Spectra Using Regularized Multi-Task Learning
Sankalp Gilda
在调查量爆炸的时代,传统的光谱分析方法正在被推到极限。 作为回应,我们开发了Deep-REMAP,这是一种新颖的深度学习框架,利用常规的多任务方法来预测观测光谱的恒星大气参数。 我们在PHOENIX合成光谱库上训练了一个深度卷积神经网络,并使用转移学习来微调MARVELS调查中观察到的FGK矮光谱的一小部分模型。 然后,我们将该模型应用于来自同一调查的732个未表征的FGK巨型候选人。 当在30颗MARVELS校准恒星上验证时,深度REMAP可以准确地恢复有效温度(T_eff),表面重力(记录)和金属性([Fe/H]),例如,在T_eff中实现约75K的精度。 通过将非对称损失函数与嵌入损失相结合,我们的回归即分类框架是可解释的,对参数不平衡的稳健性,并且能够捕获非高斯的不确定性。 虽然为MARVELS开发,但深度REMAP框架可以扩展到其他调查和合成库,展示了恒星表征的强大和自动化途径。
In the era of exploding survey volumes, traditional methods of spectroscopic analysis are being pushed to their limits. In response, we develop deep-REMAP, a novel deep learning framework that utilizes a regularized, multi-task approach to predict stellar atmospheric parameters from observed spectra. We train a deep convolutional neural network on the PHOENIX synthetic spectral library and use transfer learning to fine-tune the model on a small subset of observed FGK dwarf spectra from the MARVE...