一种用于类星体连续谱预测的深度学习方法

Bin Liu; Rongmon Bordoloi

doi:10.1093/mnras/stab177

一种用于类星体连续谱预测的深度学习方法

星系天体物理 2021-02-03 v2

作者: Bin Liu , Rongmon Bordoloi

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

我们提出了一种新颖的智能类星体连续谱神经网络（iQNet），用于预测静止系波长范围 1020 埃 $\leq \lambda \leq$ 1600 埃内任意类星体的内禀连续谱。我们利用来自哈勃光谱遗产档案（Hubble Spectroscopic Legacy Archive）的低红移（ $z \sim 0.2$ ）高分辨率哈勃空间望远镜/宇宙起源光谱仪（Hubble Space Telescope/Cosmic Origin Spectrograph）紫外类星体光谱训练该网络，并将其应用于预测来自不同天文巡天的类星体连续谱。我们使用的 HSLA 类星体光谱在静止系波长范围 [1020, 1600] 埃内定义良好，总体中位信噪比至少为五。iQNet 在训练类星体光谱上的中位 AFFE 为 2.24%，在测试类星体光谱上为 4.17%。我们应用 iQNet 预测了较高红移（ $2< z \leq 5$ ）下约 3200 条 SDSS-DR16 类星体光谱的连续谱，并测量了 Ly- $\alpha$ 森林区域平均透射流量（ $< F >$ ）的红移演化。我们测得 $< F >$ 随红移的渐变演化，并将其表征为对 Ly- $\alpha$ 森林有效光学的深度幂律拟合。我们的测量结果与文献中其他 $<F>$ 的估计大体一致，但提供了更精确的测量，因为我们直接在受 Ly- $\alpha$ 森林污染最小处测量类星体连续谱。本工作证明了深度学习 iQNet 模型能够以高精度预测类星体连续谱，并展示了此类方法用于类星体连续谱预测的可行性。

关键词

类星体连续谱深度学习 iQNet Ly-α 森林信噪比红移演化哈勃光谱遗产档案

引用

@article{arxiv.2006.04814,
  title  = {A Deep Learning Approach to Quasar Continuum Prediction},
  author = {Bin Liu and Rongmon Bordoloi},
  journal= {arXiv preprint arXiv:2006.04814},
  year   = {2021}
}

备注

MNRAS Accepted 2021 January 18. 24 pages, 18 figures

一种用于类星体连续谱预测的深度学习方法

摘要

关键词

引用

备注

相关论文