长型伽马射线暴光曲线的高级脉冲-avalanche随机模型

对长期持续的伽马射线暴（GRB）光曲线（LC）的多样性进行统一解释，对于识别耗散机制以及可能的中心引擎之本质至关重要。以往提出过一种模型将GRB LC描述为基于随机脉冲avalanche过程的结果，可能源于湍流制度，经由将模拟LC的平均时间特性与真实LC进行比较进行测试。最近，我们复活了该模型并使用遗传算法（GA）——一种基于机器学习的方法——优化了其参数。我们的发现表明，GRB内部引擎可能接近临界制度。本文presents该模型的高级版本，使我们能够约束单个脉冲的峰值通量分布，评估其在新的Fermi Gamma-ray Burst Monitor（GBM）观测GRB数据集上的性能。通过引入新的模型参数和进一步的比较指标——即观测信号杂乱度（S/N）分布——我们在三个互补数据集上测试该模型：CGRO/BATSE、Swift/BAT和Fermi/GBM。如同我们之前的工作一样，通过GA优化模型参数。更新的参数集实现了相对于原始模型和我们更早的优化进一步的损失减少。三个实验的不同参数值被证明源于不同的能量带宽、有效面积、触发算法，最终源于三个实验的不同GRB人口。我们的结果进一步支撑了GRB提示辐射背后耗散过程的随机性和avalanche特性，强调其接近临界行为，并将该新模型确立为生成未来实验中所见真实GRB LC的可靠工具。