利用机器学习方法对钱德拉X射线点源进行自动分类
高能天体物理现象
2023-02-20 v1 天体物理仪器与方法
摘要
天文巡天和其他观测发现的大量未识别源使得有必要使用基于机器学习方法的自动分类技术。本文旨在寻找一种合适的自动分类器，以识别钱德拉源表（CSC）2.0中的X射线点源，并将其分类为活动星系核（AGN）、X射线发射星、年轻恒星天体（YSOs）、高质量X射线双星（HMXBs）、低质量X射线双星（LMXBs）、超亮X射线源（ULXs）、激变变星（CVs）和脉冲星。该星表包含约317,000个源，我们根据CSC 2.0中提供的质量标志从中选取了277,069个点源。为了识别CSC 2.0中的未知源，我们使用了多波段特征，例如来自Gaia-EDR3、SDSS和GALEX的光学/紫外波段星等，以及来自2MASS、WISE和MIPS-Spitzer的红外波段星等，此外还有来自CSC 2.0的X射线特征（流量和变异性）。我们发现Light Gradient Boosted Machine（一种先进的基于决策树的机器学习分类算法）适用于我们的目的，并取得了93%的精确率、93%的召回率和0.91的马修斯相关系数。利用训练好的分类器，我们以超过3σ（4σ）的置信度识别出54,770（14,066）个源，其中包括32,600（8,574）个AGN、16,148（5,166）颗恒星、5,184（208）个YSO、439（46）个HMXB、197（71）个LMXB、50（0）个ULX、89（1）个CV和63（0）颗脉冲星。该方法也可用于可靠地识别其他星表中的源。
引用
@article{arxiv.2302.09008,
title = {Automated classification of Chandra X-ray point sources using machine learning methods},
author = {Shivam Kumaran and Samir Mandal and Sudip Bhattacharyya and Deepak Mishra},
journal= {arXiv preprint arXiv:2302.09008},
year = {2023}
}
备注
12 pages, 6 figures, 9 tables, accepted for publication in Monthly Notices of the Royal Astronomical Society