PISP: Projected-Space Inference of Stellar Parameters
將 25 維恆星參數映射至投影空間，PISP 框架使推論效率提升 4 倍，豐度誤差降低 0.72 dex。
- 運用投影空間破除參數耦合，PISP 為巨量天文光譜推論樹立了高精度與高效率的新標竿。
- 開發專屬雙推論引擎，支援 GPU 批量平行處理達一萬筆光譜數據。
- 分析 72 萬筆 APOGEE 光譜，整體推論效率提升 4 倍，且誤差顯著降低。
面對 722,896 筆 APOGEE 觀測光譜與 25 維恆星參數，傳統演算法常因參數高度相關而陷入收斂泥淖。團隊提出的「投影空間恆星參數推論」（PISP）框架，成功將多種元素豐度推論誤差降低達 0.72 dex，並實現近 4 倍的效率提升，替未來的巨量天文觀測數據處理開闢新路徑。
突破 25 維恆星參數相關性的 PISP 框架
當代大型巡天計畫如 SDSS、LAMOST 與 GALAH 持續產出海量數據，使得推論恆星有效溫度（$T_{\text{eff}}$）、表面重力（$\log g$）與數十種元素豐度成為核心任務。研究顯示，這些高達 25 維度的恆星參數之間存在強烈的物理與統計耦合關係。例如在 F 型與 G 型矮星樣本中，氧、矽、鈣等多種元素的豐度會與鐵、鎂等參數呈現剛性連動。
傳統資料處理流程多半直接在原始高維空間內求解，未能明確保留並處理這些相關性。這導致演算法在遭遇強烈耦合的參數時，容易出現收斂速度下滑與推論精度惡化的現象。為突破此一限制，研究團隊提出 PISP 技術，核心概念是先引入正交投影基底，再將恆星參數映射為投影係數，藉此繞開高維度空間的冗餘維度。
引入 PCA 與主動子空間建構的四種策略
模型提供了兩種基底建構途徑，包含 PCA（主成分分析，統計上去除相關性）以及 AS（基於梯度尋找高敏感度方向）。在確立基底後，系統會搭配兩種最佳化策略進行求解。第一種是 Non-L1 策略，直接對使用者指定的截斷維度進行係數最佳化；第二種則是 L1 策略，在完整的 25 維度投影空間中加入 L1 正規化，藉此自適應地篩選出關鍵的投影方向。
綜合上述選項，共衍生出 PCA-Non-L1、AS-Non-L1、PCA-L1 與 AS-L1 四套推論變體。值得注意的是，這些策略全數部署於推論階段，可直接作用於預先訓練好的光譜模擬器（Spectral Emulator）上，無須消耗額外資源重新訓練模型。
開發 CurveFit 與 Adam 引擎支援萬筆批量運算
針對不同的運算環境與資料規模，團隊分別實作了 PISP-CurveFit 與 PISP-Adam 兩種底層引擎。PISP-CurveFit 專為 CPU 環境與單筆光譜快速反演而生，運用 Joblib（支援多核心平行的套件）進行多執行緒處理。每筆正規化後的觀測光譜會與官方像素遮罩共同儲存於獨立的 .npz 檔案中，以最大化 I/O 吞吐量。
另一個 PISP-Adam 則是基於 PyTorch 框架開發，鎖定 GPU 環境的大規模巡天數據處理。系統會將每兩萬筆光譜打包成單一 .pt 張量檔，並透過 Adam 演算法進行批量推論。為了在運算效率與 GPU 記憶體容量間取得平衡，PISP-Adam 會依照光譜模擬器的架構自動調整平行處理數量。
當採用 FNN（全連接架構的神經網路）作為模擬器時，單次批量設為 10,000 筆；若切換至 ResNet（加入跳躍連接的殘差網路）時，批量則下調至 5,000 筆。在最佳化過程中，目標函數不僅計算模型預測與觀測光譜間的誤差，更會動態引入 L1 正規化項以控制參數稀疏性。當達到目標迭代次數或函數變動量低於臨界值時，系統便會利用有限差分法估算雅可比矩陣，進而精準輸出參數誤差。
導入雙重遮罩機制強化真實光譜正規化
在實際展開高維度推論前，觀測光譜的資料前處理是決定最終成敗的關鍵。為了消彌 APOGEE 實測數據與合成光譜間的基線形狀落差，團隊採用了與知名資料驅動模型 The Cannon 相同的正規化技術，透過四階多項式擬合三個觀測波段的虛擬連續譜（Pseudocontinuum）。
同時，為了確保光譜擬合的可靠性，系統引入了嚴密的雙重遮罩策略。第一層遮罩參考了前一代模型 The Payne 的設定，直接剔除合成與觀測落差超過 2% 的極端像素；第二層則套用官方提供的儀器異常標記。兩者聯集後形成的二值化遮罩矩陣，成功將演算法的注意力集中在最具物理意義的有效波段上，大幅提升了後續矩陣運算的穩定度。
實測 722,896 筆 APOGEE 光譜的誤差收斂成效
研究團隊動用了 14,623 筆 Kurucz 合成光譜與高達 722,896 筆 APOGEE DR17 實測光譜進行廣泛驗證。在合成數據集測試中，PCA-L1 策略展現出最強適應力，成功將 20 種元素豐度中的 12 種推論誤差標準差降低了至少 0.01 dex。其中包含氮、氧、鈉、鈷、磷、釩與銅等元素的降幅更是達到 0.05 至 0.72 dex，徹底超越傳統的直接搜尋法。
而在真實觀測光譜的考驗下，PCA-Non-L1 則成為最佳解答。該策略不僅將有效溫度誤差標準差縮減超過 30 K，在 17 種觀測元素中也有 9 種獲得 0.01 dex 以上改善。受惠於投影空間的降維特性，其整體推論效率更是直接拔升了近 4 倍。
建立大型巡天計畫的 25 維度最佳化基準
將高維度最佳化理論中的線性與非線性嵌入概念引入天文領域，有效舒緩了參數維度過剩的問題。相較於讓演算法在標準化且充滿耦合的 25 維原始空間中盲目摸索，正交轉換不僅提供了統計意義上的去相關性，還引導運算資源集中在光譜反應最劇烈的特徵方向上。
特別是在後續誤差評估機制上，PISP 直接在收斂點展開雅可比矩陣估算，省去了重複抽樣的龐大計算開銷。這項推論邏輯的翻新，為未來處理 Gaia、DESI 等新一代巡天儀器的兆級數據，奠定了兼具精準度與運算經濟性的關鍵基礎。
透過投影空間破除參數耦合，PISP 為巨量光譜推論樹立了高精準且極具效率的全新基準。