SDSS Stripe 82 类星灯光曲线的暂 transient flare 检测的统计-AI 框架

类星体表现出跨波段的随机变动，通常可由阻尼随机游走 (DRW) 良好描述。然而，偶尔会发生极端亮度变化——称为 flare——代表与这一基线行为的显著偏离，并提供了对盘旋盘动力学和超大质量黑洞加油过程物理的宝贵探针。虽然现代暂 transient 调查正在推动对 flare 检测的日益关注，但尚未在包含 9,258 项光谱确认类星体、观测约 10 年基准的遗留 SDSS Stripe 82 数据集中进行系统性搜索。主要统计挑战在于将这些稀有事件与持续存在的随机变动区分开来。为此，我们提出 FLARE (Flare detection via physics-informed Learning, Anomaly scoring, and Recognition Engine)，用于检测类星体光曲线中暂 transient flare 的模块化三阶段框架。FLARE 模型 DRW 基线行为，应用统计异常评分标记候选事件，并采用识别引擎验证检测。对于 Stripe 82 实现，我们部署两种互补基线——一个在模拟 DRW 光曲线上训练的受控随机单元 (GRU)，以及直接适用于观测数据并带有异常值遮蔽的迭代 Ornstein-Uhlenbeck (OU) 过程——随后采用极值理论 (EVT) 进行异常评分。我们对十二个开放权重和专有视觉语言模型 (VLM) 作为识别引擎进行最终候选验证基准测试。检测在 r 带光曲线上进行，候选对象与 g 带数据交叉检查以排除仪器伪影。应用该框架，我们识别出 51 颗类星体 exhibiting distinct flaring activity。