近日，国家天文台LAMOST数据处理部王瑞、罗阿理、张硕等人利用生成光谱神经网络（GSN）结合贝叶斯方法对LAMOST DR5超过530万恒星光谱数据估计了恒星参数（有效温度，表明重力，金属丰度和α丰度），并结合Spark并行计算平台极大地提高了该方法的计算效率。此外通过外部数据验证，对于信噪比高于50的光谱而言，该方法得到的有效温度、表面重力、金属丰度和α丰度四个参数的结果精度分别为80 K、0.14 dex、0.07 dex和0.168 dex。该科研成果发表于国际天⽂期刊《Publications of the AstronomicalSociety of the Pacific》(PASP, 2019，131，4505)上。

目前国内外大型望远镜巡天项目的开展为科研人员研究银河系提供了海量恒星光谱数据，而恒星参数（有效温度，重力加速度，金属丰度和α丰度等）是基础且非常重要的光谱信息。针对LAMOST海量的光谱数据集，如何高效且准确地从中提取和挖掘出恒星参数信息成为非常迫切的研究任务。科研人员常使用的传统方法是通过使用实测光谱和模板库比对来估计恒星参数，但是这种方法受限于模板库的完备性和较大的计算规模，一直有待突破。近几年，机器学习和并行计算等方法的发展为此问题提供了数据驱动的解决办法。

王瑞等人通过训练PHOENIX理论模板光谱，建立恒星参数和光谱之间的人工神经网络模型，用以生成较为完备的参数空间所对应的模板光谱。结合贝叶斯算法和Spark并行计算平台，仅使用40个小时便准确地估计了LAMOST DR5 530多万光谱数据的恒星参数和误差。通过与高分辨APOGEE结果、星震学结果、PASTEL星表等外部结果对比，GSN得到的结果和验证数据集具有很好的一致性（图1）。 

审稿⼈认为，面对当前和未来的巡天项目，能够对百万级光谱数据进行高效分析的方法是非常必要的，同时为天文科研人员提供如此巨大恒星参数星表也具有十分重要的价值和意义。