BALNet：基于深度学习的宽吸收线检测与测量
星系天体物理
2025-11-04 v1
摘要
宽吸收线（BAL）类鲕鹼类天体是理解活跃星系核（AGN）外流、黑洞吸积和宇宙演化的关键探针。为解决大规模光谱调查中手动分类的局限性——类鲕鹼类天体光谱数量正在指数级增长——我们提出了 BALNet，一种深度学习方法，由一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）组成，用于自动检测类鲕鹼类天体光谱中的 BAL 脉冲。BALNet 实现了 BAL 脉冲的识别和测量。我们通过组合来自 SDSS DR16 观测的非 BAL 类鲕鹼类天体光谱和 BAL 脉冲构建了用于训练和测试的模拟数据集。测试集中的实验结果表明：（1）BAL 脉冲检测达到 83.0% 的完整性、90.7% 的纯度，F1 分数达到 86.7%；（2）BAL 类鲕鹼类天体分类达到 90.8% 的完整性和 94.4% 的纯度；（3）预测的 BAL 速度与模拟的真实标签高度吻合，确认了 BALNet 的稳健性和准确性。将其应用于 SDSS DR16 数据（红移范围 1.5<z<5.7）时，至少检测到一个 BAL 脉冲的光谱占比达 20.4%。值得注意的是，其中超过四分之一的是新发现的具有显著吸收特征的来源，8.8% 对应红移系统，其余一些窄/弱吸收特征被遗漏。BALNet 大大提高了大规模 BAL 脉冲检测的效率，使类鲕鹼类天体光谱的更有效科学分析成为可能。
引用
@article{arxiv.2511.01344,
title = {BALNet: Deep Learning-Based Detection and Measurement of Broad Absorption Lines in Quasar Spectra},
author = {Yangyang Li and Zhijian Luo and Shaohua Zhang and Du Wang and Jianzhen Chen and Zhu Chen and Hubing Xiao and Chenggang Shu},
journal= {arXiv preprint arXiv:2511.01344},
year = {2025}
}
备注
17 pages, 11 figures