近日，由中国科学院大学、中国科学院国家天文台、之江实验室等机构组成的研究团队提出一种基于深度学习的天琴座RR型变星（RR Lyrae）绝对星等直接估计方法。该方法以相位折叠光变曲线为输入训练模型，直接预测Gaia G波段绝对星等并计算距离，进一步提升了该类标准烛光的测距精度。相关成果以《Decoding RR Lyrae light curves with deep learning for accurate absolute magnitude estimation》为题，在线发表于国际学术期刊《The Innovation》，并将于 2027 年 1 月作为封面文章正式见刊。
天琴座RR型变星是研究银河系结构与邻近星系距离测量的重要标准烛光，也是构建宇宙距离阶梯、约束哈勃常数的潜在距离锚点。传统测距通常依赖经验校准的周期-绝对星等-金属丰度（PLZ）关系，单星测距精度约4%。其精度瓶颈主要来自金属丰度输入：光谱测定受观测深度与分辨率限制，可靠样本有限；基于光变曲线傅里叶参数化的测光金属丰度则引入额外的不确定度。而双模脉动的RRd子类型星虽可由双周期比直接推断金属丰度、摆脱上述依赖，但其数量目前仅数千颗，难以大规模应用。金属丰度先验已成为制约RR Lyrae测距精度进一步提升的主要因素。
图1: AI直接由光变曲线估计绝对星等与PLZ关系两步法的路径对比
光变曲线编码了恒星脉动的完整形态特征。研究团队注意到，RR Lyrae光变曲线的振幅、拐点结构与上升/下降支不对称性等形态量随绝对星等呈系统性变化（图2），据此提出一种直接学习从光变序列到绝对星等映射的方法，从而跳过金属丰度估计及PLZ关系标定等中间环节。团队从Gaia DR3中选取具有高质量G波段光变曲线的RRab（基模脉动）与RRc（一阶泛音脉动）子类型星，分别构建63,043颗RRab与16,602颗RRc的训练样本，并采用双向长短期记忆网络（BiLSTM）进行深度学习，以不规则采样、变长的相位折叠光变序列为输入训练模型。经多种模型测试对比，BiLSTM可以达到与Transformer相当的精度，且所需参数量显著更少。
图2: RRab和RRc星在不同绝对星等区间的典型相位折叠光变曲线
模型在验证集和外部测试中表现稳健。在验证集中，RRab与RRc模型的绝对星等预测均方根误差分别为0.053 mag与0.036 mag，对应单星距离精度分别约2.5%与1.7%。以球状星团成员星开展外部检验，基于22个与16个星团的测试分别给出RRab与RRc的典型测距精度1.0%与1.7%。对大麦哲伦云与玉夫座矮星系两个基准系统，加权距离模数分别为18.498±0.001stat±0.018sys mag与19.564±0.003stat±0.019sys mag，对应测距精度约1%，较传统RR Lyrae校准关系平均提升约1.8倍。其中大麦哲伦云结果与迄今普遍认为最精确的独立测量仅相差0.021 mag，与各类独立距离指示器在误差范围内一致（图3）。
图3: 本研究与文献距离模数比较。左图为大麦哲伦云，右图为玉夫座矮椭球星系。灰色点为过往研究文献值，金色星为最精确的参考值，蓝色和红色三角为本文RRab和RRc模型的预测结果，红色虚线表示两模型预测的加权平均结果。
特征消融分析显示，模型预测可能依赖于某些具有物理意义的相位区间：RRab模型在长周期端主要利用凸起（bump）区域（相位约0.3–0.4），在短周期端则更依赖最暗区域（相位约0.4–0.5），而下降支前半段（相位约0.7–0.8）在各周期均贡献稳定；RRc模型以上升支前半段（相位约0.4–0.5）为主导，并在最暗区域左侧与最亮区域右侧有附加贡献（图4）。这些模式与经典脉动理论及基于傅里叶参数化的研究相互印证，为光变曲线信息挖掘提供了数据驱动的新视角。
图4: RRab和RRc模型在不同周期区间下的相位重要性分析
与同样不依赖金属丰度的RRd测距方法相比，本方法的可用样本大两个数量级，在系统误差相当的情况下显著减小了统计误差，为RR Lyrae测距提供了不依赖金属丰度、可随巡天数据规模扩展的新途径。未来，结合Gaia、LSST及司天工程等时域巡天的高采样率与多波段光变数据，训练样本规模与输入信息维度均可扩展，有望进一步压缩系统误差，为银河系三维结构刻画、星系演化研究，以及在造父变星与红巨星支上端（TRGB）测距法之外为距离阶梯提供独立检验、精确哈勃常数测量奠定基础。
该研究由中国科学院大学黄样副教授提出并设计，中国科学院国家天文台刘继峰研究员共同设计项目并推动实施，之江实验室吴慧雯项目专家主导模型开发与训练。论文第一作者贺顺璇在我校就读期间完成了数据准备与论文初稿撰写（现为北京师范大学博士生）。吴慧雯、黄样、刘继峰为论文共同通讯作者。
