一种多波段机器学习方法用于分类未证认 4FGL-DR4 源场中的 X 射线源
高能天体物理现象
2024-08-20 v2
摘要
第四版费米大面积望远镜（Fermi-LAT）14 年星表（4FGL）中仍有很大比例的源未被证认（unIDed）。我们继续改进机器学习流程，并将其用于分类位于 73 个未证认 4FGL 源范围内的 1206 个信噪比>3 的 X 射线源，这些源包含在钱德拉源星表 2.0 的钱德拉 X 射线天文台观测数据中。我们流程的近期改进包括天体测量校正、与低频对应体的概率交叉匹配以及更现实的重采样方法。X 射线源被分类为更新后的训练数据集中定义的八个广泛预设的天体物理类别，我们也发布了该数据集。我们介绍了机器学习分类的细节，描述了流程改进，并对较亮的源进行了额外的光谱和变异性分析。分类结果为 42 个 GeV 源提供了 103 个可能的 X 射线对应体。我们将 2 个 GeV 源识别为孤立中子星候选体，16 个为活动星系核候选体，7 个与恒星形成区相关，8 个为模糊案例。对于剩余的 40 个未证认 4FGL 源，我们未能在 X 射线中找到任何可能的对应体，或者它们距离银河系中心太近。最后，我们概述了可导致更准确分类的观测策略和流程的进一步改进。
引用
@article{arxiv.2403.05068,
title = {A Multiwavelength Machine-learning Approach to Classifying X-ray Sources in the Fields of Unidentified 4FGL-DR4 sources},
author = {Hui Yang and Jeremy Hare and Oleg Kargaltsev},
journal= {arXiv preprint arXiv:2403.05068},
year = {2024}
}
备注
Published in ApJ 971, 180 (2024). The classification results are available at https://muwclass.github.io/MUWCLASS_4FGL-DR4/ and the classification pipeline is available at https://github.com/MUWCLASS/MUWCLASS