［本站讯］近日，空间科学与技术学院李凯教授团队提出一种用于快速求解相接双星多波段光变曲线的神经网络模型。相较于传统方法，该模型的计算速度提升了三个数量级。相关成果以“A Neural-network Model for Quickly Solving Multiple-band Light Curves of Contact Binaries”为题发表于天文学权威期刊The Astrophysical Journal Supplement Series（IF=8.5）。山东大学为论文唯一完成单位。论文相关程序已发布于国家天文数据科学中心。

相接双星是密近双星中数量最丰富的一类，在银河系中大约每500颗主序星中就有一颗。它们通常由两颗晚型恒星组成，共享公共包层，轨道周期普遍小于1天，是研究恒星结构、演化、测距和搜寻特殊天体等的重要天体物理实验室。相接双星的研究虽取得了显著进展，但其形成机制、演化路径与最终命运以及质量比极限等问题仍未解决。解决这些问题的关键在于获取大样本相接双星的高精度物理参数。

近年来，ZTF、TESS和Gaia等巡天项目已发现超百万颗相接双星。传统分析方法如Wilson–Devinney和PHOEBE难以应对如此大规模数据。机器学习为此提供了新思路。

图1 神经网络架构

针对这一局限，本研究基于PHOEBE生成的理论光变曲线进行训练，参数包括主星温度、质量比等10个。由于直接训练效果不佳，团队设计了一个专用网络结构（图1），将参数分为两个五维子集。首先训练V波段光变曲线模型，随后以相同架构训练光度计算模型。进一步，基于质量比和相接度两个参数，构建了用于计算主次星半径和势能的模型。最终开发出三个模型：光变曲线生成模型、光度计算模型、半径与势能计算模型。为解决多波段分析问题并减少对大规模训练数据的依赖，团队采用迁移学习方法，在预训练V波段模型基础上进行微调。该方法仅需5000至50000条数据即可在不同波段获得良好性能。据此，团队为19个波段分别构建了三组对应模型。在处理相同计算任务时，本模型相较PHOEBE，速度提升高达三个数量级。

团队已将模型编译为Windows与Linux可执行文件，并上传至国家天文数据科学中心开放下载。该程序可用于快速分析绝大多数巡天项目和望远镜观测获得的相接双星光变曲线，为研究其形成机制、结构特征与演化路径提供强大工具。

该工作得到了国家自然科学基金、山东省泰山学者青年专家和山东大学齐鲁青年学者项目以及国家天文科学数据中心青年数据科学家项目的资助。