返回
Scalable Stellar Parameter Inference Using Python-based LASP: From CPU Optimization to GPU Acceleration
DOI:10.3847/1538-4357/ae1446.png)
摘要
En 中文
为提升大规模光谱数据集中恒星参数推断的效率、可扩展性及跨巡天适用性,我们提出一个模块化、并行化的Python框架,该框架包含自动化误差估计功能,并基于最初以IDL实现的LAMOST Atmospheric Parameter Pipeline(LASP)构建。该框架并非直接代码翻译,而是对LASP进行了重构,新增两个互补模块:LASP-CurveFit,一种在CPU上运行的新LASP拟合流程实现,保留了原有逻辑的同时优化了数据I/O和多线程执行效率;以及LASP-Adam-GPU,一种GPU加速方法,通过构建覆盖多观测光谱与模型光谱的联合残差函数引入分组优化,可实现对数千万量级光谱的高通量参数推断。在10百万条LAMOST光谱的应用中,该框架在相同CPU平台上将运行时间从84小时缩短至48小时,在NVIDIA A100 GPU上缩短至7小时,且结果与原始管道一致。推断误差与同一目标重复观测的参数变化(排除径向速度)高度吻合,而LASP中使用的官方经验误差更为保守。当应用于DESI DR1时,我们的有效温度和表面重力与APOGEE的吻合度优于DESI管道的结果,尤其在冷巨星样本中;后者在径向速度和金属licity方面表现略优。这些结果表明该框架兼具可靠精度、高效性和可移植性,为大规模光谱巡天的参数推断提供了实用方法。代码及基于DESI的目录可通过DOI: 10.12149/101679和DOI: 10.12149/101675获取。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
T
IF:
0
论文数:
1.5K
被引数:
5
机构
引用论文
Estimation of Stellar Atmospheric Parameters with Light Gradient Boosting Machine Algorithm and Principal Component Analysis
ASTRONOMICAL JOURNAL
IF5.1
The Robotic Multiobject Focal Plane System of the Dark Energy Spectroscopic Instrument (DESI)暗能量光谱仪器 (DESI) 的机器人多目标焦平面系统
ASTRONOMICAL JOURNAL
IF5.1
Gaia Data Release 3 Analysis of RVS spectra using the General Stellar Parametriser from spectroscopy

