FLARE: A Framework for Stellar Flare Forecasting using Stellar Physical Properties and Historical Records
作者: Bingke Zhu, Xiaoxiao Wang, Minghui Jia, Yihan Tao, Xiao Kong, Ali Luo, Yingying Chen, Ming Tang, Jinqiao Wang
发布时间: 2025-02-27
来源: arxiv
研究方向: 天文研究，特别是恒星耀斑预测
主要内容
FLARE模型旨在通过结合恒星物理属性和历史上的耀斑记录来预测恒星耀斑事件。该模型使用深度学习技术，特别是预训练的大型语言模型（PLM）和光曲线数据分析，以提高预测的准确性。
主要贡献
1. 首次提出利用恒星物理属性和历史耀斑记录进行恒星耀斑预测的方法。
2. 通过实验证明了恒星物理属性和历史耀斑记录在预测中的重要作用。
3. 提出FLARE模型，该模型在预测准确性方面优于其他方法。
4. 通过广泛的实验结果验证了FLARE模型相较于其他方法的优越性能。
研究方法
1. 深度学习，特别是预训练的大型语言模型（PLM）和光曲线数据分析。
2. 光曲线分解，将趋势和残差组件分开处理。
3. 残差记录融合模块，将历史耀斑记录与残差结合。
4. 软提示模块，用于区分不同类型的恒星。
5. 低秩自适应（LoRA）技术，用于微调PLM。
6. 损失函数，包括交叉熵损失和标签平滑。
实验结果
FLARE模型在Kepler光曲线数据集上取得了优异的性能，其准确性和F1分数均高于其他基线模型。消融实验表明，每个模块都对模型性能有显著贡献。
未来工作
未来的工作可以包括探索更复杂的模型架构，使用更大量的数据集，以及开发新的方法来处理光曲线数据中的噪声和缺失值。