一种增强 eROSITA 观测的机器学习方法
宇宙学与河外天体物理
2022-11-22 v2
摘要
2019年发射的 eROSITA X射线望远镜预计将观测约100,000个星系团。例如，需要来自 Chandra 的对这些星系团的后续观测，以解决关于星系团物理学的未决问题。深曝光 Chandra 星系团观测代价高昂，且对每一个 eROSITA 星系团进行后续观测是不可行的，因此必须谨慎选择用于后续观测的目标。为此，我们开发了一种基于模拟 eROSITA 观测来预测更长曝光、无背景观测的算法。我们利用流体动力学宇宙学模拟 Magneticum，使用 SIXTE 模拟 eROSITA 仪器条件，并应用一种新颖的卷积神经网络，为我们模拟样本中的每个星系团输出类似深曝光 Chandra 的“超级观测”。任何后续观测价值评估工具都应针对特定用例设计；我们的模型生成的观测准确且精确地再现了星系团形态，而这是确定星系团动力学状态和核类型的关健要素。我们的模型将通过改进后续观测选择来推进我们对星系团的理解，并证明图像到图像的深度学习算法是模拟逼真后续观测的可行方法。
引用
@article{arxiv.2207.14324,
title = {A Machine Learning Approach to Enhancing eROSITA Observations},
author = {John Soltis and Michelle Ntampaka and John Wu and John ZuHone and August Evrard and Arya Farahi and Matthew Ho and Daisuke Nagai},
journal= {arXiv preprint arXiv:2207.14324},
year = {2022}
}
备注
21 pages, 11 figures, 3 tables. Minor changes upon revision. Corrected caption of Figure 3. Added discussion of alternative asymmetry metrics. To be published in the Astrophysical Journal