使用循环推理机解卷积X射线星系团光谱

机器学习算法的最新进展使观测天文学家能够探索新的前沿领域。在本文中，我们提出了一种方法，用于将星系团的仪器响应函数与内禀X射线光谱分离。利用先进的建模软件和钱德拉（Chandra）数据档案的数据挖掘技术，我们构建了100,000个模拟钱德拉光谱。我们训练了一个循环推理机（RIM），输入仪器响应和模拟观测，输出内禀X射线光谱。RIM能够恢复低于1σ误差阈值的模拟内禀光谱；此外，RIM对模拟观测的重建结果与观测本身无法区分。为了进一步测试该算法，我们对已知具有丰富X射线光谱的NGC 1550星系群中心区域以及大质量星系团Abell 1795的观测光谱进行了反卷积。尽管RIM重建结果始终低于1σ噪声水平，但恢复出的内禀光谱与模型预期不符。这种差异可能归因于RIM在神经网络内部隐式编码先验信息的方法。该方法为解锁复杂X射线宇宙现象的精确光谱重建开辟了新的可能性。