Généralisation des spectres à faible et modéré résolution avec des réseaux de neurones pour l'estimation des paramètres stellaires : étude de cas avec DESI
Image générée par Gemini AI
Une étude aborde le défi de la généralisation inter-enquêtes dans l'analyse spectrale des étoiles en utilisant des perceptrons multicouches (MLP) pré-entraînés pour transférer des données des spectres à basse résolution de LAMOST vers des spectres à moyenne résolution de DESI. Les résultats montrent que les MLP pré-entraînés sur les spectres LAMOST sont performants même sans ajustement fin et qu'ils s'améliorent encore avec les données de DESI. Bien que les embeddings basés sur des transformateurs soient excellents pour les étoiles riches en métaux, ils sont moins efficaces pour les étoiles pauvres en métaux par rapport aux modèles entraînés par MLP. Le choix de la stratégie d'ajustement fin varie en fonction du paramètre stellaire analysé, ce qui suggère que, bien que des MLP simples puissent se généraliser efficacement entre les enquêtes, le potentiel des modèles fondamentaux spectraux nécessite des études supplémentaires.
Les Réseaux Neuraux Améliorent l'Estimation des Paramètres Stellaires à Travers les Enquêtes
Une nouvelle étude se concentre sur l'application des réseaux neuraux, en particulier des perceptrons multicouches (MLP), pour améliorer le transfert des spectres à basse résolution de LAMOST (LRS) vers les spectres à moyenne résolution de DESI (MRS).
La recherche compare l'efficacité des MLP entraînés directement sur des données spectrales par rapport à ceux utilisant des embeddings provenant de modèles basés sur des transformateurs. Différentes stratégies de réglage fin ont également été évaluées, y compris les adaptateurs à tête résiduelle, LoRA et le réglage fin complet.
Résultats Clés
- Les MLP pré-entraînés sur les LRS de LAMOST ont montré des performances robustes même sans réglage fin.
- Un réglage fin modeste avec les spectres de DESI a amélioré les résultats sur plusieurs paramètres stellaires.
- Les embeddings basés sur des transformateurs ont surpassé les MLP pour les mesures d'abondance en fer dans les régimes riches en métal, tandis que les MLP ont excellé dans des conditions pauvres en métal.
- Le choix de la stratégie de réglage fin a eu une influence significative sur les résultats, variant en fonction des paramètres stellaires spécifiques.
Sujets connexes :
📰 Source originale : https://arxiv.org/abs/2602.15021v1
Tous les droits et crédits appartiennent à l'éditeur original.