近期，7a7a7a7精品丁旭博士、季凯帆研究员和中国科学技术大学博士后李旭志等人，利用机器学习的方法快速得到相接双星的参数和误差。相关研究成果以Fast Derivation of Contact Binary Parameters for Large Photometric Surveys为题于10月18日在国际天文学期刊The Astronomical Journal上在线发表。

　　相接双星是两颗子星均充满洛希瓣的强相互作用双星系统，其子星周围存在一个公共包层。目前的Wilson–Devinney或者Phoebe 程序对一个目标的解轨时间长达数小时及数天的时间。随着数以万计的相接双星光变曲线的释放，采用此方法进行批量解轨，很不现实。因此针对这种海量的光变曲线，需要一种快速解轨的方法。

　　科研人员首先利用神经网络（NN）建立相接双星参数与光变曲线的映射关系，分别得到了无第三光影响的模型和有第三光影响的模型。这两个模型生成的光变曲线精度小于千分之一个星等，联合马尔科夫链蒙特卡洛算法 (MCMC) 快速得到相接双星的参数和对应的误差。该方法相比传统的方法不但在精度上满足要求，在相同的硬件平台下，解轨速度提高了4个数量级。该方法使得对海量相接双星进行解轨成为可能。研究人员下一步将对空间望远镜TESS巡天数据和地面望远镜ZTF巡天数据中的相接双星进行批量解轨和统计分析。

　　该研究工作获得国家自然科学基金和中国载人航天工程巡天空间望远镜专项科学研究经费支持。

　　　　

　　论文链接

 

　　左图：MCMC和NN求解参数的后验分布。

　　右图：蓝色表示原始光变曲线，红色表示模型根据参数生成的光变曲线，绿色的点表示Phoebe根据参数生成的光变曲线。