英国华威大学研究团队构建了一套堆叠式集成学习框架，直接从 TESS 光变曲线中预测盾牌座 δ 型星的关键星震学参数。该方法在 643 颗恒星样本上取得了显著效果：所有目标参数的决定系数 R² 均高于 0.77，并在未参与训练的 60 颗恒星上表现出良好的泛化能力，预测结果与传统星震学分析高度一致。
星震学通过解析恒星的天然振荡信号，反演其内部结构与演化状态，是现代恒星物理中最具穿透力的研究手段之一。在众多研究对象中，盾牌座 δ 型星（质量约为太阳的 1.5–2.5 倍）因其丰富的脉动模式和高度密集的振荡频谱，成为星震学的重要实验场。这类恒星的脉动主要源于氦电离区的不透明度（κ）机制驱动，而其内部对流核则进一步引发对流超射、化学混合以及角动量再分配等复杂过程。与此同时，较快的自转使振荡模式发生耦合与频率分裂，大幅增加了模式识别与参数提取的难度。
在星震学分析中，功率谱中最高峰对应的频率、最大振荡功率频率，以及大频率间隔 Δν 等参数尤为重要。其中，Δν 对恒星的平均密度极为敏感，是刻画其整体结构的核心指标。然而，对于盾牌座 δ 型星而言，快速自转与多模式混叠破坏了原本规则的频率间隔，使传统方法在测量 Δν 时面临显著挑战。
近年来，TESS 卫星获取的大规模高精度光变曲线数据，极大拓展了该类恒星的研究样本，但数据处理过程依然计算密集、依赖经验，参数的高精度提取仍不容易实现。在这一背景下，机器学习提供了一条新的技术路径。相比传统方法，集成学习能够融合多个模型的预测结果，在复杂数据环境下实现更高的精度与稳定性。随机森林、梯度提升和岭回归等方法，近年来已在天文学数据分析中展现出良好潜力。
英国华威大学研究团队正是基于这一思路，构建了一套堆叠式集成学习框架，直接从 TESS 光变曲线中预测盾牌座 δ 型星的关键星震学参数。该方法在 643 颗恒星样本上取得了显著效果：所有目标参数的决定系数 R² 均高于 0.77，并在未参与训练的 60 颗恒星上表现出良好的泛化能力，预测结果与传统星震学分析高度一致。
相关研究成果以「Ensemble Machine Learning Approach to Estimate the Asteroseismic Indices for δ Scuti Stars Observed by TESS」为题，已发表于 The Astronomical Journal。
研究亮点：
* 提出了一套直接从光变曲线估算关键星震学参数的机器学习框架，突破了传统方法的局限，大幅提升了参数提取的效率。
* 通过优化特征选择和模型架构，实现了高精度预测，并在独立样本上验证了其可靠性。
* 完成了 251 颗盾牌座 δ 型星的星震学指数测定，构建了新星表，丰富了相关恒星的参数数据库，为今后大样本统计分析和恒星演化研究提供了重要数据支撑。
论文地址：https://beta.iopscience.iop.org/article/10.3847/1538-3881/ae4bd8
该研究使用的核心数据集包含 643 颗盾牌座 δ 型星的 TESS 光变曲线，以及三项关键星震学指数：ν(Aₘₐₓ)、νₘₐₓ 和 Δν。初始样本包含 677 颗盾牌座 δ 型星，经多轮筛选后保留 643 颗作为核心数据集。筛选标准包括：具备TESS 2 分钟短曝光光变曲线（来自 MAST 档案）；每个观测天区数据点不少于 7,000 个；光变曲线经过 PDC-SAP 校正处理；且三项星震学参数完整可用。
在此基础上，研究人员额外选取了 251 颗盾牌座 δ 型星作为补充样本。这些恒星同样具备高质量光变曲线，但尚未发表对应的星震学参数。其入选条件为：至少覆盖 3 个观测天区，且每个天区数据点不低于 7,000 个。该部分样本主要用于模型的实际预测与验证。
643 颗盾牌座 δ 型星的频数直方图
该研究的模型目标是基于光变曲线特征估算恒星的星震学参数。整体流程包括特征提取、数据预处理、集成建模以及超参数优化。
在特征构建方面，研究采用了两类特征：一类为统计特征（如均值、标准差、中位数等），用于描述光度分布的基本性质；另一类为频域特征，包括主成分分析（PCA）、自相关函数（ACF）、快速傅里叶变换（FFT）以及离散小波变换（DWT），用于提取振荡信号中的周期性与多尺度结构信息。
在数据预处理阶段，首先剔除存在缺失值的样本，并对特征进行归一化处理。此外，针对部分特征分布不均衡的问题，引入基于统计分布的重采样方法，以生成合成数据并缓解偏差，从而提高模型训练的稳定性。
框架方面，模型采用堆叠式集成回归框架，随机森林、梯度提升回归和岭回归作为基模型：前两者分别从降低方差和减小偏差的角度提升预测性能，岭回归则通过正则化处理特征间的共线性问题。基模型的输出进一步作为输入，训练元回归器进行融合，从而提升整体泛化能力并降低预测误差。
在模型训练过程中，研究人员还采用随机搜索结合交叉验证，对关键超参数（如树的数量、最大深度和学习率等）进行优化，以获得稳定且性能较优的模型配置。
实验验证包括模型训练、泛化能力评估以及新样本预测 3 个部分。
在训练阶段，研究人员从 643 颗恒星中随机选取 583 颗用于模型构建，并按 8:2 的比例划分训练集与测试集，重复 100 次以降低随机性影响。剩余 60 颗恒星作为独立测试集，用于评估模型的泛化能力。此外，251 颗未标注样本用于最终预测。
对比 583 颗星的实测与预测值、相对误差及误差分布
在训练与测试样本上，模型对 ν(Aₘₐₓ)、νₘₐₓ 和 Δν 的预测 R² 分别为 0.95、0.93 和 0.87，大多数样本的相对误差低于 0.2。特征重要性分析表明，自相关函数（ACF）贡献最大，其次为 FFT 与 DWT，部分统计特征（如偏度、峰度）也具有一定作用。学习曲线显示模型收敛稳定，超参数优化有效。
模型学习曲线
在独立测试集上，模型仍保持较好性能，三个参数的 R² 分别为 0.91、0.87 和 0.77，预测结果与观测值一致性较高。多次重复实验结果波动较小，说明模型具有较好的稳定性与鲁棒性。最后，研究人员将模型应用于 251 颗未标注恒星，得到其星震学参数预测值。结果整体落在盾牌座 δ 型星的合理范围内。
整体来看，这项工作并不是对传统星震学方法的替代，而是一种有针对性的补充：在大规模观测数据快速积累的背景下，通过数据驱动方法实现参数的高效预估，再结合精细的物理建模进行深入分析。对于像盾牌座 δ 型星这样振荡模式复杂、难以标准化处理的目标，这种思路尤其具有现实意义。
本文来自微信公众号“HyperAI超神经”，作者：田小幺，36氪经授权发布。
发布时间：2026-04-27 17:20
官方微信
© 2020 新唐宝 版权所有 沪ICP备14033197号
立即订购
在线咨询
返回顶部