在二十一世纪的第二个十年，机器学习逐渐成为大数据分析和数据挖掘的主导力量，它从复杂的数据经验中汲取有用信息，并对非经验数据进行有效预测。近期，利用机器学习算法，国家天文台白宇副研究员、刘继峰研究员等利用LAMOST光谱数据，给出了Gaia DR2数据中1.3亿颗恒星的星际消光，研究成果已经被《天文学杂志》（AJ）接收并即将发表。
在当代天体物理学，科学技术的进步带来的天文大数据，极大拓展了人类对于银河系的认知，然而，其中最大阻碍之一是，充斥着银河系的星际气体和尘埃。欧洲航天局Gaia太空望远镜释放的二期数据，包含近17亿个天体的基本信息。国际上，已经有多个科研团队，以测光数据为基础，试图给出这些天体的星际消光信息，但是，测光学能够提供的数据量十分有限，得到的结果通常存在偏差。
国家重大科技基础设施郭守敬望远镜（LAMOST）巡天已经产出千万量级的天体光谱，每条天体光谱包含数千个数据点，包含的信息是测光数据的几百倍。研究人员通过筛选LAMOST和SDSS的恒星光谱数据库，获得三百余万颗恒星的基本参数。利用恒星大气模型给出这些恒星的本征颜色，与Gaia数据库比较，得到星际消光。采用Gaia内部参数训练回归器，并对1.3亿颗恒星的星际消光给出预测。星表交叉验证的标准偏差为0.01星等，盲测的标准偏差为0.04星等。同时，研究人员把结果与多个消光星表进行比较，发现该结果与其它以光谱数据为基础的星表一致，而与测光数据为基础的星表存在较大偏差。这暗示与测光数据相比，光谱数据包含更多的有用信息，能够更有效描述恒星物理环境，并最终得到更可靠的结果。
科研人员有效利用机器学习方法，把光谱数据的信息与Gaia天体测量信息结合在一起，产出大样本恒星消光星表。该成果将可广泛应用于银河系天体物理学研究领域，对深入理解我们的银河系有着重要意义。
该项研究得到的恒星星等—温度图和星等—颜色图
附件下载：