ABYSS. IV. Identifying signatures of stellar youth in APOGEE spectra
本文提出了一种卷积神经网络分类器，该分类器通过检测旋转展宽和黑子光球层特征，能够有效识别 APOGEE 和 BOSS 光谱中的年轻恒星（40 Myr 以下），从而实现前主序星与演化源的稳健分离，以减少年轻恒星天体候选者的污染。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
年轻的恒星是宇宙的新生儿，仍散发着形成时的热量，并被可能孕育行星的尘埃盘所环绕。对于天文学家来说，在银河系数十亿颗更年长、更稳定的恒星中寻找这些婴儿是一项艰巨的任务。年轻的恒星往往看起来与它们年长的表亲极其相似，拥有通常用于帮助科学家进行分类的相同颜色和亮度水平。虽然一些年轻的恒星展现出明显的青春特征，例如特定的化学指纹或快速自转，但当透过遮蔽银河平面的厚重尘埃云进行观测时，这些线索往往会被隐藏或难以探测。这使得构建关于恒星如何诞生以及它们在其最初几年如何演化的完整图景变得具有挑战性。
一支研究团队现在开发了一种新方法，利用一种被称为神经网络的计算机程序来识别这些恒星婴儿。该工具经过训练，用于分析由阿帕契点天文台银河演化实验（APOGEE）收集的恒星光谱——即当星光被分解成其组成颜色时留下的化学指纹。这项大规模调查已经收集了数十万颗恒星的光谱，但区分年轻恒星与年长恒星仍然是一个问题，尤其是对于那些不是极冷的恒星。研究人员构建了一个分类器，它会同时扫描恒星的整个光谱，寻找人类肉眼或传统方法可能会错过的细微模式。
该系统证明了其卓越的效能，特别是在识别较冷的年轻恒星方面，例如构成银河系大多数恒星的红矮星和橙矮星。它成功地将这些前主序星与较老的场星分离出来，即使这两组恒星的温度和表面重力几乎完全相同。该模型在处理这些较冷的恒星时取得了最佳结果，在正确识别其训练集中约百分之七十的已知年轻恒星的同时，保持了极高的准确度以避免误报。当应用于计算机从未见过的全新数据时，它发现了数千个额外的候选目标，其中许多聚集在已知的恒星正在形成的区域周围，例如猎户座。
为了理解计算机是如何做出这些决策的，研究人员检查了触发识别的星光中的特定特征。他们发现程序主要依赖于两个线索。第一个是谱线的增宽，这发生在恒星快速自转时。年轻的恒星往往比年长的恒星自转得快得多，而后者在数十亿年的时间里已经减速，这种快速旋转会使光谱中锐利的谱线变得模糊。第二个线索更为微妙，与恒星本身的表面有关。年轻的恒星通常覆盖着由剧烈磁活动引起的巨大暗斑，类似于太阳黑子，但在规模上要宏大得多。由于这些斑点比恒星表面的其他部分更冷，它们改变了谱线的形状，这种方式与较年长、较平静的恒星截然不同。
通过结合这两个信号——快速旋转带来的模糊感和磁斑引起的特定畸变——该分类器即使在两类恒星看起来 otherwise 相同的条件下，也能区分出年轻恒星与年长恒星。研究人员确定了几十个特定波长，在这些波长处，这些差异最为显著，从而为近红外光谱部分创建了一份新的潜在青春指标清单。虽然每一条谱线的确切身份仍有待进一步研究，但模式是清晰的：年轻恒星的光线携带了一种独特的青春特征，即使在它接近主序阶段时依然存在。
这项工作为天文学家清理其年轻恒星候选目录提供了一个强大的新工具。此前，许多调查依赖于光度方法，而这种方法很容易被被红化了的老恒星或联星系统所混淆。新的分类器提供了一种更稳健的方法来过滤掉这些冒充者，使研究人员能够将精力集中在最有希望的候选目标上。随着调查的持续进行，这种方法将有助于建立一个更准确、更完整的银河系年轻恒星群体普查，为观察恒星生命早期那混乱而充满活力的阶段提供一个更清晰的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。