AGNet：用深度学习称量黑洞质量

超大质量黑洞 (SMBHs) 普遍存在于大多数大质量星系的中心。测量 SMBH 质量对于理解 SMBH 的起源与演化十分重要。然而，传统方法需要光谱数据，而获取这些数据代价高昂。我们提出了一种利用类星体光变时间序列称量 SMBH 的算法，规避了对昂贵光谱的需求。我们训练、验证并测试了直接从斯隆数字巡天 (SDSS) Stripe 82 光变曲线学习的神经网络，样本为 $38,939$ 个经光谱确认的类星体，以映射 SMBH 质量与多色光学光变曲线之间的非线性编码。我们发现预测的 SMBH 质量与基于 SDSS 单历元光谱的基准维里质量估计之间存在 1$\sigma$ 散射为 0.37 dex，这与维里质量估计的系统不确定度相当。我们的结果对未来 Vera C. Rubin 天文台的观测更高效应用具有直接意义。我们的代码 \textsf{AGNet} 公开于 \url{https://github.com/snehjp2/AGNet}。