基于机器学习的费米 gamma 射线暴分类
高能天体物理现象
2024-07-10 v1
摘要
伽玛射线暴（GRBs）通常根据持续时间分为长性暴和短性暴，但这两个类别在持续时间分布上存在显著的重叠。在本文中，我们应用无监督降维算法 t-SNE 和 UMAP 对 2061 例费米伽玛射线暴进行分类，基于四个观测量：持续时间、峰值能量、致能和峰值通量。t-SNE 和 UMAP 的映射结果显示，这些伽玛射线暴清晰地分为两个簇。我们将这两个簇分别标记为伽玛射线暴 I（GRBs-I）和伽玛射线暴 II（GRBs-II），发现所有与超新星相关的伽玛射线暴都被分类为伽玛射线暴 II。这包括一例特异短性暴 200826A，其被确认源自巨型恒星的死亡。此外，除两例极端事件 GRB 211211A 和 GRB 230307A 外，所有与核超新星相关的伽玛射线暴都落入伽玛射线暴 I population。与传统的短性暴和长性暴分类方法比较，GRBs-I 和 GRBs-II 的持续时间分布没有固定的边界。我们发现，超过 10% 的伽玛射线暴 I 的持续时间超过 2 秒，而约有 1% 的伽玛射线暴 II 的持续时间短于 2 秒。
引用
@article{arxiv.2406.05357,
title = {Classification of Fermi Gamma-Ray Bursts Based on Machine Learning},
author = {Si-Yuan Zhu and Wan-Peng Sun and Da-Ling Ma and Fu-Wen Zhang},
journal= {arXiv preprint arXiv:2406.05357},
year = {2024}
}
备注
11 pages, 5 figures, revised version submitted to MNRAS