基于机器学习系统特征在 Fermi-LAT 未证认源中搜寻暗物质

迄今 Fermi-LAT 星表中间歇点源约有分之一仍为未证认源（unIDs）。这些 unIDs 确实缺乏与已知天体源明确、唯一的关联。若暗物质（DM）由弱相互作用大质量粒子（WIMPs）组成，则令人振奋的可能性是其中部分 unIDs 实为 DM 源，通过 WIMPs 湮灭发射伽马射线。我们提出一种新方法，以解决标准的机器学习（ML）二分类问题：在 4FGL Fermi-LAT 星表的 unIDs 中，将预期的 DM 源（模拟数据）与天体源（观测数据）区分开来。我们为 DM 数据人为构建两个原本内禀于观测数据的{\it 系统}特征：探测显著度与谱曲率不确定性。我们通过从 unIDs 的观测总体中采样来实现，假设 DM 分布若有则遵循后者。我们考虑了不同的 ML 模型：逻辑回归、神经网络（NN）、朴素贝叶斯与高斯过程，其中分类准确率最佳者为 NN，达到约 $93.3\% \pm 0.7\%$ 的性能。其他 ML 评估参数，如真负率与真正率，在我们的工作中进行了讨论。将 NN 应用于 unIDs 样本，我们发现某些天体源与 DM 源之间的简并可在此方法内部分解决。尽管如此，我们得出结论：在 4FGL Fermi-LAT unIDs 的总体中不存在 DM 源候选体。