近日，国家天文台陈静博士、李荫碧副研究员、罗阿理研究员及合作者基于LAMOST DR10中分辨率光谱数据成功发现2939颗S型恒星，将已知S型恒星数量翻倍，并构建了目前最大的S型星星表。基于机器学习方法，团队重点研究和解决了是否能够使用中分辨率且没有锝（Tc）线特征的光谱，对S型恒星进行分类以及如何分类的问题，首次成功实现了大量S型恒星的分类，大幅增加了具有内秉和外赋分类标签的S型星数量。这项研究成果为进一步研究S型恒星物理性质和恒星的化学演化奠定基础，具有重要的科学意义。目前，该成果已发表在国际知名期刊《天体物理学报增刊》（2023,ApJS,267,5）。 

中低质量的恒星演化到晚期，会进入渐近巨星支（AGB）阶段。AGB阶段又分为早期AGB阶段和热脉冲AGB阶段，其中热脉冲AGB星阶段会将恒星内部产生的化学元素“挖掘”到恒星表面，当“挖掘”的化学元素含量满足一定条件时便产生了S型星。此类恒星光谱上最重要的特征是：具有明显的ZrO分子带，它们的光谱如图1。研究团队在LAMOST DR10的海量光谱中发现了2939颗S型恒星，这是目前一次性发现S型星数量最多的工作。它们在颜色星等图上的位置如图2，这说明它们确实如理论所预言，正处于富氧的AGB阶段。 

S型恒星又分为内禀和外赋两种：内禀S型星位于热脉冲AGB阶段，它们大气中慢中子俘获过程（s过程）元素含量的增加（增丰）是通过内部挖掘过程实现；外赋S型星处于双星系统中，有一颗白矮星（前身是AGB星）伴星，s过程元素增丰是通过跟伴星“物质交换”产生。目前，区分内禀和外赋S型恒星最直接和准确的方法是探测光谱中是否存在Tc线，然而这需要高分辨率和高信噪比光谱，这增加了S型恒星分类工作的难度。前人发现的1347颗S型星中，具有内禀和外赋分类结果的数量很少，极大地限制了S型恒星的进一步研究。  

图1：从上到下依次为M型星、S型星和碳星光谱，粉色展示了S型星光谱中四个ZrO分子带。   

图2：WRP, BP-RP-WK, J-K vs. MK颜色星等图。绿色的点代表此次发现的S型星，紫色的点代表文献中的CN型碳星，黑色和蓝色的点分别是文献中的内禀和外赋S型星。 

 对于LAMOST数据中发现的2939颗S型恒星，研究团队首次探索了如何快速有效实现分类的方法，最终确定了基于机器学习算法的两种分类方法，均取得较好的分类准确率。 

第一种方法使用了红外测光数据。研究团队收集了2MASS、ALLWISE、AKARI和IRAS四个巡天的测光数据，用它们各种可能的组合来训练机器学习模型，他们发现：同时使用2MASS 、AKARI 和IRAS 数据（即“2MASS + AKARI + IRAS”组合）训练的机器学习模型的准确率最高，达到95.52%。研究团队将该模型应用于876颗具有这三个巡天测光数据的S型星，成功将它们分类为381颗内禀和495颗外赋S型星。此外，借鉴机器学习算法，研究团队提出了6个区分内禀和外赋S型恒星的颜色标准，分类准确率达到90%，较前人方法提高约5% - 7%。 

第二种方法使用了LAMOST中分辨率光谱。研究团队经过反复实验发现：同时使用LAMOST中分辨率蓝端和红端光谱（全谱）作为输入训练的模型分类准确率最高，达到94.8%。通过分析算法给出的重要性排在前30的输入特征，研究团队从中整理出4个对区分内禀和外赋S型星非常重要的光谱区域（见图3），即Zr I、Ne II、Hα和Fe I & C I，并发现：外赋S型星在这四个区域的等值宽度系统性高于内禀S型星。研究团队认为：外赋S型恒星经历的热脉冲次数多于内禀S型恒星，这是它们在Zr I线区域等值宽度系统性更高的原因。研究团队再次仅使用这四个光谱特征重新训练模型，使内禀和外赋的分类准确率达到92.1%，尽管略低于使用全谱训练的模型的准确率，但充分说明：这四个区域对区分内禀和外赋S型星的重要性。研究团队将训练好的机器学习模型应用于此次发现的2939颗S型星，成功对它们进行分类，首次完成对大量S型星进行分类的工作，大幅增加了具有内禀和外赋分类标签的S型星的数量，为S型恒星的后续物理性质的研究奠定了基础。 

图3：绿色表示内禀S型星，蓝色表示外赋S型星，横轴是它们在四个谱线区域的等值宽度。 

不同于以往少量具有高分辨率高信噪比观测的S型星的分类，对于数量更多且只有中分辨率光谱观测的S型恒星分类问题，研究团队找到了快速有效的解决方案，对相关领域的研究起到了推动作用。 

论文链接： https://iopscience.iop.org/article/10.3847/1538-4365/acd05b