AGNet：利用机器学习称量黑洞质量

超大质量黑洞（SMBHs）普遍存在于大多数星系的中心。测量 SMBH 质量对于理解 SMBH 的起源与演化具有重要意义。然而，传统方法需要光谱数据，而获取这些数据代价高昂。为解决此问题，我们提出一种利用类星体光变时间序列来称量 SMBH 质量的算法，从而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 数据中学习的神经网络，该数据包含 $9,038$ 个经光谱确认的类星体样本，用以刻画黑洞质量与多色光学光变曲线之间的非线性映射关系。我们发现，基于 SDSS 单历元光谱得到的预测质量与基准维里质量之间存在 1$\sigma$ 为 0.35 dex 的散射。我们的结果对 Vera Rubin 天文台未来观测的高效应用具有直接意义。