基于生成对抗网络的白矮主序双星光谱分解研究

作者：姜斌; 曲美霞; 李青苇; 曹书画; 钟云鹏^*

来源：光谱学与光谱分析, 2020, 40(10): 3298-3302.

• 白矮主序双星
• 生成对抗网络
• 光谱分解

白矮主序双星是一类双星系统,主星是一颗白矮星,伴星是一颗小质量的主序星。白矮主序双星对研究致密双星的演化特别是公共包层的演化有着重要的意义。通过研究白矮主序双星的光谱,可以获取许多物理参数如有效温度、金属丰度、表面重力加速度等。这些物理参数的准确测量,不仅可以解决白矮主序双星等密近双星的分类问题,而且为研究双星理论模型提供了基础数据。白矮主序双星的光谱是复合光谱,由主星和伴星的光谱构成。其光谱存在两大局限性,一是噪声的干扰;二是蓝端和红端分别被主星和伴星的光谱特征抑制。通过分析白矮主序双星光谱,将光谱进行分解,分别获得白矮星和伴星的光谱是一个非常有意义的课题。目前主流的分解方法是使用大量的白矮星和M型恒星模板光谱对白矮主序双星光谱进行拟合,并用最好的一组光谱组合代表白矮星和伴星的光谱,由此获得恒星的各种物理参数。由于这种方法需要遍历所有的光谱组合,通过模板进行χ2最小化进行匹配,导致算法需要消耗大量的计算资源。生成对抗网络在信号重构上有较好的效果和应用,基于生成对抗网络,通过搭建一个用于分解白矮主序双星光谱的神经网络来实现光谱分解,通过网络直接生成白矮星和伴星的光谱。该网络模型是一个无监督的学习模型,模型训练时只需要白矮主序双星光谱、白矮星模板光谱、 M型恒星模板光谱三种光谱数据进行训练,不需要其他分解方法的中间结果。所提出的模型易于优化,部分网络模型可以用卷积神经网络、循环神经网络等替换,那些可用于对抗神经网络的改进和优化方法也同样适用于该网络模型。该实验模型使用PyTorch深度学习框架进行搭建,并用GPU加速训练。使用该方法对SDSS的1 746条白矮主序双星光谱进行分解,并与其他方法进行比较,结果表明训练好的网络模型在消耗较少的计算资源的情况下,可以给出与其他方法相近的结果,说明此模型有较好的分解光谱的能力。该方法也可以应用于其他双星光谱的分解。

• 单位
  山东大学(威海)