神经网络识别暗星候选体。II. 光谱学

《Astronomy and Computing》：Neural Network identification of Dark Star candidates. II. Spectroscopy

　　

摘要

宇宙中最早的一些恒星可能并非由核聚变供能，而是由暗物质（DM）湮灭驱动。这些天体，即暗星（DS），为通过观测研究最早恒星及其黑洞（BH）残骸来理解暗物质提供了一个独特的窗口。在 Mahmud 等人（2025b）（论文I）中，我们介绍了一个基于合成暗星光度数据训练的前馈神经网络（FFNN），用于根据詹姆斯·韦伯太空望远镜（JWST）上载的NIRCam仪器数据检测和表征暗星的光度候选体。在本工作中，我们开发了一个基于合成暗星光谱训练的FFNN，用于在JWST的NIRSpec数据中识别光谱暗星候选体。为了验证我们的FFNN模型，我们将其应用于Ilie等人（2025）最近识别的四个超大质量暗星（SMDS）光谱候选体的真实数据，并重新确认JADES-GS-z11-0、JADES-GS-z13-0、JADES-GS-z14-0和JADES-GS-z14-1的光谱确实与超大质量暗星一致。与Ilie等人（2025）中使用的Nelder-Mead参数估计器相比，我们的FFNN模型的主要优势在于，此处引入的方法能在毫秒级别预测参数，比Ilie等人（2025）使用的传统方法快超过10,000倍。鉴于此，本工作中开发和验证的FFNN模型将用于贝叶斯不确定性分析和JWST公开可用的NIRSpec高红移数据自动分析。本研究为探测暗星和理解其在宇宙演化中的作用建立了一种稳健且高效的工具。

引言

在过去十年中，神经网络（NNs）——作为人工智能（AI）机器学习（ML）方法的一个子集——在多个领域的应用经历了前所未有的激增。这些模型利用模式识别的强大能力来解决复杂的现实世界挑战（例如，Samek等人，2017；Choudhary等人，2022；Mienye和Swart，2024）。深度学习作为机器学习的一个专门分支，已经彻底改变了图像分类（Wang等人，2025；Oquab等人，2023；Ciregan等人，2012；Assran等人，2023）、文本分类（Guleria等人，2025；Sun等人，2023；Minaae等人，2021）、语音识别（Nassif等人，2019；Sharrab等人，2025；Ivanko等人，2023）、基因组研究（Yue等人，2018；Yue等人，2023；Gündüz等人，2024；Barbadilla-Martínez等人，2025）以及最近的天体物理学（Connor和van Leeuwen，2018；Walmsley等人，2022；Wei和Huerta，2020；Auddy等人，2022；Wong等人，2021；Mahmud等人，2025a；Zeraatgari等人，2024）等领域。

机器学习（ML）在天体物理学中的应用在过去十年中快速增长，改变了研究人员分析大型复杂数据集的方式。从星系分类（Vavilova等人，2021；Cheng等人，2020；Fernandez-Iglesias等人，2024；Zhong等人，2024；Ghaderi等人，2025）、系外行星识别（Yu等人，2019；de Beurs等人，2022）、引力波探测（George和Huerta，2018；Cuoco等人，2020；Koloniari等人，2025；De Santi等人，2024），到宇宙网络图谱绘制（Hong等人，2021；Rodriguez等人，2018；Stuardi等人，2025），ML已证明是揭示高维数据中模式的强大且多功能的工具。在ML技术中，前馈神经网络（FFNNs）因其建模高度非线性关系的能力而在天体物理学中成为基石，支持光度红移估计（Razim等人，2021；Curran等人，2021；Zhou等人，2025）、透镜质量重建（Gupta和Reichardt，2021）以及超新星分类（Villar等人，2020）等应用。

随着詹姆斯·韦伯太空望远镜（JWST）、ALMA、Euclid或Vera Rubin天文台（仅举几个例子）等数据量的持续增长，ML在天体物理学工作流程中的整合变得越来越必不可少。特别是，神经网络已被用于解决涉及噪声和不完整数据集的复杂问题，使其在高红移研究中极具价值（Stivaktakis等人，2019；Rastegarnia等人，2022；Zhang等人，2025）。

神经网络的优势在于它们能够通过分类、检测和回归任务训练机器识别模式并提取有意义的信息。在本研究中，我们开发了一个前馈神经网络（FFNN）模型，基于超大质量暗星（SMDSs）的合成光谱进行训练。我们的FFNN模型旨在推断关键参数，如暗星的质量和红移，以拟合JWST上载NIRSpec仪器观测到的光谱。本工作的一项局限是我们未包含暗星附近可能存在的星云发射的作用，因此假设暗星周围没有足够的氢来驱动星云。我们的主要目标是为JWST NIRSpec数据的分析开发一种工具，并用TLUSTY（Hubeny和Lanz，2017b）模拟的纯恒星SMDS光谱对其进行拟合。在未来工作中，我们计划显著扩展此处使用的FFNN模型，并将其纳入JWST数据分析的自动流程中，该流程将能够同时处理单个孤立暗星（有或无星云发射）和嵌入在早期原星系中的暗星。关于暗星的更多背景知识（例如，Spolyar等人，2008；Freese等人，2010；Ilie等人，2012）、JWST的观测状况（Ilie等人，2023；Ilie等人，2025）以及未来使用罗曼太空望远镜（RST）进行探测的前景（Zhang等人，2024），请参见姊妹篇论文（Mahmud等人，2025b）的引言部分。关于暗星的综述请参阅（Freese等人，2016）。

在论文I（Mahmud等人，2025b）中，我们介绍了一个设计用于处理JWST NIRCam数据的FFNN模型，以识别暗星光度候选体。相应地，在本工作中，我们设计了一个能够快速可靠地处理JWST NIRSpec数据的FFNN，以识别SMDS光谱候选体（见第2节）。在第3节中，我们验证我们的FFNN模型并将其应用于真实数据。在此过程中，我们确认了Ilie等人（2025）关于以下每个天体的SMDS光谱拟合结果：JADES-GS-z11、JADES-GS-z13-0、JADES-GS-z14-0和JADES-GS-z14-1。此处及Mahmud等人（2025b）所用FFNN方法的主要优势在于数据分析的非凡速度，从而使暗星的物理参数能够远比之前工作中使用的传统方法（Ilie等人，2023；Ilie等人，2025）更高效地被预测。因此，本工作与姊妹篇论文I（Mahmud等人，2025b）为将先进的机器学习模型整合到我们计划设计的自动流程中提供了基础，该流程旨在从大量存档的JWST数据（光谱和光度）中识别暗星候选体，这些数据来自专门用于探测高红移宇宙的深空巡天（见图1）。

章节摘录

神经网络架构

正如前一节所述，本工作中我们开发了一个前馈神经网络（FFNN），用于基于高红移天体的JWST NIRSpec观测光谱识别超大质量暗星候选体，并估计它们的质量（$M$）和红移（$z$）。网络的输入由500个均匀间隔波长点之间的光谱通量值组成，范围在1到$5.2\mathrm{\mu }\mathrm{m}$之间，这取决于NIRSpec的灵敏度范围。网络架构包括一个输入层，随后

结果

我们根据Ilie等人（2025）中的先前结果选择要分析的数据，在该工作中首次使用基于Nelder-Mead优化的蒙特卡洛参数拟配合成例程识别了SMDS光谱候选体。在此，我们使用新开发的FFNN来检查Ilie等人（2025）的发现，并在此过程中验证我们的新方法。图4和表1展示了我们的主要发现。图4中的每个面板展示了模型预测光谱的对比

局限性与未来方向

尽管此处介绍的神经网络以前一节所示的高精度预测了暗星模型的最佳拟合恒星质量和红移，但仍存在若干局限性。首先，暗星可能存在的星云发射作用将在我们FFNN算法的未来版本中被纳入考虑，这样我们也可以将其与Ilie等人（2025）中描述的形态学分析流程相结合。¹

CRediT作者贡献声明

Adiba Amira Siddiqa：撰写——初稿，软件，方法论。Sayed Shafaat Mahmud：指导，软件，方法论。Cosmin Ilie：撰写——审阅与编辑，指导，资源，项目管理，方法论，调查，概念化。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些可能会影响本文所报告的工作。

致谢

C.I.感谢Colgate大学研究委员会（资助编号：821028）和Picker跨学科科学研究所（资助编号：826837）的资金支持。我们还感谢使用Colgate的图灵超级计算机（部分由美国国家科学基金会资助OAC-2346664支持）。

Adiba Amira Siddiqa|Sayed Shafaat Mahmud|Cosmin Ilie