Generalisierung von Spektren mit niedriger bis moderater Auflösung mittels neuronaler Netzwerke zur Schätzung von Stellarparametern: Eine Fallstudie mit DESI
Von Gemini AI generiertes Bild
Eine Studie befasst sich mit der Herausforderung der Übertragbarkeit von Ergebnissen zwischen verschiedenen Umfragen in der Analyse stellarspektren, indem vortrainierte mehrschichtige Perzeptronen (MLPs) eingesetzt werden, um Daten von den LAMOST-Niedrigauflösungsspektren (LRS) auf die DESI-Mittelauflösungsspektren (MRS) zu übertragen. Die Forschung zeigt, dass MLPs, die auf LRS vortrainiert wurden, auch ohne Feinabstimmung gute Leistungen erbringen und sich mit DESI-Daten weiter verbessern. Während transformerbasierte Einbettungen für metallreiche Sterne hervorragend abschneiden, sind sie bei metallarmen Sternen im Vergleich zu MLP-modellierten Ansätzen weniger effektiv. Die Wahl der Feinabstimmungsstrategie variiert je nach den analysierten stellarparametern, was darauf hindeutet, dass einfache MLPs zwar effektiv über verschiedene Umfragen hinweg generalisieren können, das Potenzial von spektralen Grundmodellen jedoch weiterer Untersuchungen bedarf.
Neurale Netzwerke verbessern die Schätzung von Stellarparametern über Umfragen hinweg
Eine neue Studie konzentriert sich darauf, neuronale Netzwerke, insbesondere Mehrschichtperzeptronen (MLPs), anzuwenden, um den Übergang von LAMOST-Niedrigauflösungsspektren (LRS) zu DESI-Mittelauflösungsspektren (MRS) zu verbessern.
Die Forschung vergleicht die Effektivität von MLPs, die direkt auf Spektraldaten trainiert wurden, mit denen, die Einbettungen aus transformerbasierten Modellen nutzen. Verschiedene Feinabstimmungsstrategien wurden ebenfalls bewertet, einschließlich Residual-Head-Adaptern, LoRA und vollständiger Feinabstimmung.
Wichtigste Ergebnisse
- MLPs, die auf LAMOST LRS vortrainiert wurden, zeigten auch ohne Feinabstimmung eine robuste Leistung.
- Moderat ausgeführte Feinabstimmung mit DESI-Spektren verbesserte die Ergebnisse über mehrere Stellarparameter hinweg.
- Transformer-basierte Einbettungen übertrafen MLPs bei der Messung der Eisenhäufigkeit in metallreichen Bereichen, während MLPs in metallarmen Bedingungen überlegene Leistungen zeigten.
- Die Wahl der Feinabstimmungsstrategie hatte einen signifikanten Einfluss auf die Ergebnisse, der je nach spezifischen Stellarparametern variierte.
Verwandte Themen:
📰 Originalquelle: https://arxiv.org/abs/2602.15021v1
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.