利用神经网络从低至中等分辨率光谱进行恒星参数估计的泛化研究：以DESI为案例
Gemini AI生成的图像
一项研究针对恒星光谱分析中的跨调查概括挑战，采用预训练的多层感知器（MLPs）将LAMOST低分辨率光谱（LRS）数据转移至DESI中分辨率光谱（MRS）。研究表明，基于LRS预训练的MLPs在未进行微调的情况下依然表现良好，并且在引入DESI数据后进一步提升了性能。尽管基于变换器的嵌入在富金属恒星的分析中表现出色，但对于贫金属恒星，相较于MLP训练模型，其性能则显得不足。微调策略的选择取决于所分析的恒星参数，这表明，尽管简单的MLPs能够有效地跨调查进行概括，但光谱基础模型的潜力仍需进一步研究。
神经网络增强了各项调查中的恒星参数估计
一项新研究集中于应用神经网络，特别是多层感知器（MLPs），以改善从LAMOST低分辨率光谱（LRS）到DESI中分辨率光谱（MRS）的转换。
该研究比较了直接在光谱数据上训练的MLPs与利用基于变换器模型的嵌入的MLPs的有效性。还评估了不同的微调策略，包括残差头适配器、LoRA和完全微调。
关键发现
- 在LAMOST LRS上预训练的MLPs即使在没有微调的情况下也展现出了强大的性能。
- 对DESI光谱进行适度微调改善了多个恒星参数的结果。
- 在富金属环境中，基于变换器的嵌入在铁丰度测量方面优于MLPs，而在贫金属条件下，MLPs表现更佳。
- 微调策略的选择显著影响结果，且不同恒星参数的影响程度各异。
相关主题：
神经网络恒星参数估计低分辨率中分辨率微调策略
📰 原始来源： https://arxiv.org/abs/2602.15021v1
所有权利和署名均属于原出版商。