本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。

Feb, 2020

本文介绍了一种基于深度学习的方法来在恒星变化存在的情况下测量小行星的径向速度，该方法采用了神经网络，降低了三年HARPS-N太阳作为恒星的谱线的恒星RV抖动。作者设计和比较了降维和数据拆分方法，以及各种神经网络体系结构，包括单行CNN、单行CNN集合和多行CNN。作者通过注入类行星RV到谱线中并使用神经网络进行恢复，发现多行CNN能够恢复0.2 m/s的半振幅、50天的周期行星，并在振幅和周期上分别实现了8.8%和0.7%的误差。这种方法显示了缓解恒星RV变异和实现具有前所未有的精度探测小行星RV的前景。

Apr, 2023

利用随机森林方法进行机器学习研究，分析了14种棕矮星大气模型的信息内容, 发现棕矮星的有效温度能够独立于模型网格准确预测，但相对应的表面重力计算仍然存在挑战。

May, 2023

星体震荡、颗粒化、光曲线、机器学习和Astroconformer构成了这篇论文的主要研究内容。

Sep, 2023

利用PHOENIX库的丰富合成光谱和MARVELS调查的观测数据，我们开发了一种名为deep-REMAP的深度正则化集成多任务学习框架，利用先进的机器学习技术准确预测恒星大气参数，从观测光谱中确定有效温度、表面重力和金属licity。结果表明，deep-REMAP在其他恒星库和性质上具有卓越的预测能力，为恒星表征提供了更复杂和自动化的技术。

Nov, 2023

我们提出了一种新颖的机器学习方法，用于检测高对比度自适应光学成像数据中的微弱点源。通过利用深度学习在一种新颖的直接成像后处理算法中，我们的方法旨在改进恒星噪声的近似并提高行星探测灵敏度。我们展示了一个卷积自编码神经网络在广泛的实际成像序列参考库上进行训练，能够准确重构潜在行星信号位置的恒星斑点噪声。我们称这个工具为ConStruct，通过使用真实的Keck/NIRC2角差分成像数据集评估了ConStruct的可靠性和灵敏度。在我们考察的30个独特的点源中，ConStruct对67％的情况产生比传统基于PCA的处理更高的信噪比，并且相对对比度提高了最多2.6倍。这项工作展示了深度学习利用多样的点扩散函数实现来改进直接成像后处理的价值和潜力。ConStruct及其未来的改进可能特别适用于处理来自詹姆斯·韦伯太空望远镜和极端自适应光学仪器的高对比度图像，无论是对于当前的望远镜还是设计中的30米级望远镜。

Dec, 2023

通过首次使用机器学习技术，本文提出了一个名为cecilia的光谱建模代码，用于测量温度介于10,000 K至20,000 K之间的富含氦的污染白矮星的金属丰度，从而解决传统方法在人工错误、耗时和难以扩展性方面的限制，并能从真实的光谱观测中准确地（误差≤0.1dex）和同时地测量14个恒星参数和11个元素丰度。

Feb, 2024

利用机器学习深度学习技术，本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能，并在天文学应用中展示了高准确率和多模态模型的发展。

Apr, 2024

通过使用监督深度学习算法，将光谱和空间维度相结合，我们开发了一种新的方法，以提高积分场谱学（IFS）数据集的高对比度外行星的检测灵敏度。在将光谱维度转化为径向速度维度后，机器学习算法的真阳率受径向分离变化的影响较小，能够减少误报并提高对直接成像行星在IFS数据集中的检测限制。

May, 2024

该研究解决了天文学中红移预测的挑战，传统方法依赖标签数据而效率低下。通过创新性地应用掩码自编码器，AstroMAE能够在没有标签的情况下捕获数据的全局模式，并在此基础上进行微调，使其在红移预测上表现更优。研究表明，AstroMAE的预训练模型和微调架构在比对中表现出色，推动了天文学领域的机器学习应用发展。

Sep, 2024