在巡天时代自动化发现和分类暂现源与变星
天体物理仪器与方法
2015-05-28 v1 宇宙学与河外天体物理
星系天体物理
摘要
现代综合巡天成像的图像采集速率已开始超越让天文学家实时参与发现和分类过程的可行性。本文介绍了一个基于机器学习算法的框架的内部工作原理，该框架捕捉了关于变星和暂现源天空的专家训练和地面实况知识，以自动化1）基于图像差分的发现过程，以及2）对已发现源生成初步科学类型分类。由于从快速变化的暂现源中提取新颖科学成果的后续资源非常宝贵，自校准的分类概率必须根据发现效率和生成样本的纯度来表述。我们利用帕洛马暂现源工厂（PTF）巡天的两历元图像差分发现算法，估计了识别真实源的纯度和效率。一旦获得源发现，利用基于PTF数据训练的机器学习分类，我们能够以3.8%的总体错误率（在斯隆数字巡天覆盖区域内错误率为1.7%）区分暂现源和变星。在>96%的分类效率下，样本达到了90%的纯度。初步分类显示主要依赖于基于上下文的特征，这些特征由数据本身和外部档案数据库确定。在自主运行约一年以来，这一发现和分类框架已取得多项重要科学成果，从爆发中的年轻恒星到亚光度型IIP超新星，再到候选潮汐瓦解事件。我们讨论了这种方法的未来方向，包括众包的可能作用以及机器学习对未来巡天（如大型综合巡天望远镜LSST）的可扩展性。
引用
@article{arxiv.1106.5491,
title = {Automating Discovery and Classification of Transients and Variable Stars in the Synoptic Survey Era},
author = {J. S. Bloom and J. W. Richards and P. E. Nugent and R. M. Quimby and M. M. Kasliwal and D. L. Starr and D. Poznanski and E. O. Ofek and S. B. Cenko and N. R. Butler and S. R. Kulkarni and A. Gal-Yam and N. Law},
journal= {arXiv preprint arXiv:1106.5491},
year = {2015}
}
备注
43 pages, 13 figures, submitted to Publications of the Astronomical Society of the Pacific (PASP)