AGNBoost：一种利用JWST/NIRCam+MIRI颜色和测光进行AGN识别的机器学习方法
星系天体物理
2026-03-04 v3
摘要
我们提出了AGNBoost，一个利用XGBoostLSS的机器学习框架，用于从JWST NIRCam和MIRI测光数据中识别AGN并估计红移。AGNBoost从7个NIRCam和4个MIRI波段构建66个输入特征，以预测归因于AGN幂律的中红外3–30微米辐射比例（frac_AGN）和测光红移。每个模型在10^6个来自CIGALE的模拟星系上训练。模型在模拟CIGALE星系、独立经验模板集和MEGA巡天748个观测数据上进行测试。在理想无噪声模拟CIGALE星系上，AGNBoost在frac_AGN上的异常值比例为1.63%，红移为0.15%，frac_AGN的σ_RMSE为0.045，红移的σ_NMAD为0.004。引入实际测光不确定性后，性能保持稳健，中位数预测位于1:1关系上，但异常值比例分别增至4.38%和3.35%。在独立模板集上，AGNBoost识别了92.6%的frac_AGN>0.3的AGN候选体和100%的frac_AGN>0.5的候选体，展示了超越训练分布的泛化能力。在具有光谱红移的MEGA星系上，AGNBoost达到σ_NMAD=0.056和19.79%异常值。AGNBoost的frac_AGN估计与CIGALE拟合总体一致（σ_RMSE=0.178，11.96%异常值）。该灵活框架可方便地纳入额外测光波段并重新训练其他变量。AGNBoost的计算效率使其非常适合需要快速AGN识别和红移估计的大面积巡天。
引用
@article{arxiv.2506.03130,
title = {AGNBoost: A Machine Learning Approach to AGN Identification with JWST/NIRCam+MIRI Colors and Photometry},
author = {Kurt Hamblin and Allison Kirkpatrick and Bren E. Backhaus and Gregory Troiani and Jeyhan S. Kartaltepe and Dale D. Kocevski and Anton M. Koekemoer and Erini Lambrides and Casey Papovich and Kaila Ronayne and Guang Yang and Micaela B. Bagley and Mark Dickinson and Steven L. Finkelstein and Pablo Arrabal Haro and Fabio Pacucci and Jonathan R. Trump and Nor Pirzkal and Alexander de la Vega and Edgar Perez Vidal and L. Y. Aaron Yung},
journal= {arXiv preprint arXiv:2506.03130},
year = {2026}
}