????在現代天文研究中，準確識別天體類型是理解宇宙結構、星系演化及暗物質分布等關鍵科學問題的基礎。由于不同類型的天體輻射機制存在顯著差異，天文學家通常依賴光譜觀測進行分類。然而，獲取光譜需耗費大量觀測資源且難以在大規模巡天中實現全面覆蓋。因此，目前大多天體缺乏光譜數據，進而長期制約學界對宇宙中海量天體的系統性研究。相比之下，圖像觀測能夠在較短時間內完整覆蓋觀測視場，并探測到比光譜觀測更暗的天體目標。同時，測光數據可構建用于揭示天體輻射機制的多波段能譜（SED），并提供天體的形態信息，為分類提供額外維度的信息。但是，僅依賴圖像形態或SED特征進行分類會存在一定的簡并性。例如，高紅移類星體與恒星在圖像中都表現為點源，不易區分；而在顏色空間中，不同類型天體或出現重疊，導致分類錯誤。
針對上述問題，中國科學院云南天文臺博士封海成團隊聯合鄭州大學博士李瑞、意大利那不勒斯費德里科二世大學教授Nicola R. Napolitano，提出了多模態神經網絡模型，并創新性地融合了天體形態特征與SED信息，實現對恒星、類星體及星系等天體的高精度自動識別。該方法已應用于歐洲南方天文臺千平方度巡天項目（KiDS）第五次數據發布的1350平方度天區，完成了超2700萬個r波段亮于23等天體的分類。
該研究對中國空間站巡天望遠鏡等大規模多波段巡天項目具有重要參考價值。隨著這些項目的陸續開展，預計將產生數十億個天體觀測數據。與傳統分類方法相比，基于深度學習的多模態方法將為快速、自動化、高精度天體分類提供有力的技術支撐。進一步，該團隊計劃擴展模型的適應性，并將其應用于更大規模的巡天數據處理任務中，持續推動天文數據處理由“量”向“智”的轉變，為構建高質量天文數據庫與揭示宇宙演化規律提供堅實基礎。
近日，相關研究成果以Morpho-photometric Classification of KiDS DR5 Sources Based on Neural Networks: A Comprehensive Star–Quasar–Galaxy Catalog為題，發表在《天體物理學報增刊》（The Astrophysical Journal Supplement Series）上。研究工作得到國家自然科學基金委員會、科學技術部、云南省、中國載人航天工程的支持。
論文鏈接
不同類型天體在SED、光譜特征和空間形態上的差異
基于20000個天體樣本得到的分類結果混淆矩陣
本文鏈接：研究為天體目標分類提出新型多模態神經網絡http://m.sq15.cn/show-12-1454-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 量子摩擦研究獲進展