[论文解读] Classifying white dwarfs from multi-object spectroscopy surveys with machine learning

James Munday, Pier-Emmanuel Tremblay+6 more|arXiv (Cornell University)|Feb 4, 2026

Stellar, planetary, and galactic studies被引用 0

一句话总结

论文开发一种神经网络，利用 DESI DR1 光谱与 Pan-STARRS 光度数据来分类白矮星光谱类型，对 DA/DB 近乎完美的准确性，以及对其他类型的高准确性，并给出基于 UMAP 的洞察和新的多历元发现。

ABSTRACT

With tens to hundreds of spectra of white dwarfs being taken each night from multi-object spectroscopic surveys, automated spectral classification is essential as part of efficient data processing. In this study, we design a neural network to classify the spectral type of white dwarfs using a combination of spectra from the Dark Energy Spectroscopic Instrument (DESI) data release~1 and imaging from Pan-STARRS photometry. The trained network has a near 100% accuracy at identifying DA and DB white dwarf spectral types, while having an 85-95% accuracy for identifying all other primary types, including metal pollution. Distinct spectral or photometric features map into separate structures when performing a Uniform Manifold Approximation and Projection (UMAP) dimensionality reduction. Investigating further and looking at multiple epoch spectra, we performed a separate search for objects that have strongly changing spectral signatures using UMAP, discovering 3 new inhomogeneous surface composition ('double-faced') white dwarfs in the process. We lastly show how machine learning has the potential to separate single white dwarfs from double white dwarf binary star systems in a large dataset, ideal for isolating a single star population. The results from all of these techniques show a compelling use of machine learning to boost efficiency in analysing white dwarfs observed in multi-object spectroscopy surveys, at times replacing the need for human-driven spectral classifications. This demonstrates our techniques as powerful tools for batch population analyses, finding outliers as a form of rare subclass detection, and in conducting multi-epoch spectral analyses.

研究动机与目标

• 动机：在大规模多对象光谱巡天中实现白矮星的自动光谱分类，以应对海量数据。
• 开发一个将光谱与绝对光度 Photometry 结合的神经网络，用于白矮星光谱分类。
• 研究数据可视化以及离群/亚类检测，以增强种群研究。
• 探索多历元光谱，识别具有改变光谱特征的对象及潜在的双星情况。

提出的方法

• 在 TensorFlow/Keras 中构建一个三分支特征提取网络（32 个神经元的时间滤波器），用于窄光谱、中等和宽光谱模式。
• 使用共享底层结构，含密集层（256、128、64），并进行批量归一化与 dropout，以实现鲁棒训练。
• 将 DESI 光谱数据（3600–7620 Å，蓝臂与红臂）与 Pan-STARRS 光度（g、r、i、z、y）整合为一个结合输入，光度权重占比30%。
• 应用类别权重以平衡 DA/DAZ/DZA 与其他 WD 类型及变星（CV），以优化对主大气参数的分类与金属污染检测。
• 通过迭代训练和人工检查，对 MWDD 标签进行再分类/细化，以提高训练纯度。
• 利用统一流形逼近与投影（UMAP）可视化高维输入空间，揭示与白矮星子类别对应的子结构。
• 展示 DA 输出在标注候选双白矮星，以及在大规模数据集中评估单星-双星分离的下游潜在应用。

实验结果

研究问题

• RQ1 一个在 DESI DR1 光谱加 Pan-STARRS 光度上训练的神经网络，是否能准确分类白矮星的光谱类型？
• RQ2 绝对光度的加入对不同 WD 子类的分类性能有何影响？
• RQ3 UMAP 对光谱+光度的嵌入是否能揭示对应不同 WD 类型的子结构及离群点？
• RQ4 多历元 DESI 数据能否发现具有改变光谱特征的白矮星，提示不均匀表面组成或二元性？
• RQ5 在大规模 MOS 巡天数据集中，机器学习在将单一白矮星与双白矮星区分方面能达到何种程度？

主要发现

• 最优模型对 DA、DB、DC、DZ 白矮星的准确性接近100%。
• 对其他主要 WD 类型（包括金属污染分类 DAZ/DZA、DBZ/DZB），模型的准确性达到 85–95%。
• UMAP 可视化显示白矮星子类别的清晰聚类，并将光谱/光度特征与不同结构关联起来。
• 对多历元光谱的分析识别出 3 例新的不均匀表面成分（双面）白矮星。
• 该方法在大规模 MOS 巡天数据集中显示出将单白矮星与双白矮星分离的潜力，有助于批量种群分析和离群点检测。