中文

超越传统发射线诊断:利用自编码器在 DESI 光谱中发现活跃星系核

星系天体物理 2026-07-08 v1

摘要

现代巡天中不断增长的光谱数据量推动了数据驱动方法的发展,这些方法补充了用于活跃星系核(AGN)识别的传统发射线诊断。我们提出了一个机器学习框架,该框架在半监督分类方案中利用无监督表示学习来充分利用整个光学光谱。我们使用 SPENDER 自编码器将 DESI 星系光谱压缩到低维潜在空间,并通过 k-d 树最近邻搜索对源进行分类。该模型在来自 Guadalupe 数据集并作为数据发布 1(DR1)一部分发布的 50,222 个 DESI 主巡天光谱上训练,限制在 z <= 0.5。我们使用从 FastSpecFit 的发射线测量导出的标签验证性能,定义了七个星系类别:AGN、宽线(BL)、复合、恒星形成、被动、退休和其他。该方法对 AGN(0.952)和宽线 AGN(0.965)实现了高准确率,即使在低信噪比光谱中也能可靠地识别这些源,并恢复了被标准单诊断方法遗漏的 AGN。我们的分类指标与传统诊断方法进行了基准比较,并表明它们代表了模型真实性能的下限。我们还发现,学习到的潜在空间与关键星系性质(如恒星质量和恒星形成率)相关,表明它捕获了物理上有意义的信息。这些结果表明,在半监督分类框架内实施的无监督光谱表示学习,为当前和未来的光谱巡天构建更完整的 AGN 星表提供了一种可扩展且有效的方法。

关键词

引用

@article{arxiv.2607.07329,
  title  = {Beyond traditional emission-line diagnostics: using autoencoders to uncover active galactic nuclei in DESI spectra},
  author = {J. A. Alcolea and M. Siudek and M. Eriksen and M. Mezcua and R. Pucha and S. Juneau and S. Gontcho A Gontcho and S. Panda and J. Aguilar and S. Ahlen and D. Bianchi and A. Brodzeller and D. Brooks and F. J. Castander and T. Claybaugh and A. Cuceu and A. de la Macorra and B. Dey and P. Doel and S. Ferraro and A. Font-Ribera and J. E. Forero-Romero and E. Gaztañaga and G. Gutierrez and C. Hahn and H. K. Herrera-Alcantar and D. Joyce and R. Kehoe and D. Kirkby and T. Kisner and A. Kremin and O. Lahav and C. Lamman and M. Landriau and L. Le Guillou and A. Meisner and R. Miquel and J. Moustakas and S. Nadathur and W. Percival and F. Prada and I. Pérez-Ràfols and G. Rossi and E. Sanchez and E. Schlafly and D. Schlegel and M. Schubnell and J. Silber and D. Sprayberry and G. Tarlé and B. A. Weaver and H. Zou},
  journal= {arXiv preprint arXiv:2607.07329},
  year   = {2026}
}