天体物理学 > 天体物理学的仪器与方法
[提交于 2025年7月16日
]
标题: 使用深度学习表征单次曝光双线光谱双星
标题: Using deep learning to characterize single-exposure double-line spectroscopic binaries
摘要: 区分双线光谱双星(SB2s)的组分光谱并提取其恒星参数是一项复杂且计算量大的任务,通常需要跨越多个历元的观测数据,以代表不同的轨道相位。这对大型调查如盖亚(Gaia)或LAMOST来说尤其具有挑战性,因为每个目标可用的光谱数量通常不足以进行适当的光谱分离。我们提出了一种从单次曝光光谱观测中表征SB2组分的新方法。该工具使用深度神经网络来提取组成单次曝光的各个组分光谱的恒星参数,而无需显式地分离它们或提取它们的视向速度。神经网络是使用类似于盖亚RVS光谱的模拟数据进行训练、测试和验证的,这些数据将在即将发布的盖亚数据中提供给社区。我们预计该工具将对其分析有所帮助。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.