基于深度学习的 Fermi-GBM 伽马射线暴分类与物理特性分析

伽马射线暴的分类长期以来是一个未解决的问题。基于持续时间的早期长暴和短暴分类并不令人信服，因为持续时间图存在显著重叠，导致对分类结果的不同看法。我们提出了一种基于卷积神经网络的新分类方法，并采用包含 3774 个 Fermi-GBM 观测到的伽马射线暴的样本来解决 T$_\text{90}$ 重叠问题。通过使用同时包含时间特征和光谱特征的计数图作为输入，我们成功地将 593 个重叠事件分类为两个不同的类别，从而否定了中间伽马射线暴类别的存在。此外，我们将最优模型应用于从计数图中提取特征，并使用 t-SNE 算法可视化提取的伽马射线暴特征，发现了分别对应 S 型和 L 型伽马射线暴的两个不同簇。为了进一步研究这两种类型爆发的物理特性，我们进行了时间积分光谱分析，发现了它们在光谱特性上的显著差异。分析还表明，大多数与千新星相关的伽马射线暴属于 S 型，而与超新星相关的伽马射线暴主要为 L 型，少数例外。此外，具有延展辐射的短暴的持续时间特征表明它们可能表现为 L 型或 S 型伽马射线暴。与传统分类方法（Amati 方法和 EHD 方法）相比，新方法在分类准确性和鲁棒性方面表现出显著优势，且不依赖红移观测。本文提出的深度学习分类策略为未来的伽马射线暴研究提供了更可靠的工具。