利用极端梯度提升对费米-LAT不确定类型耀变体候选体进行分类
高能天体物理现象
2023-07-05 v1
摘要
基于机器学习的方法正成为包括天体物理研究中源分类在内的许多应用的强大工具，这得益于观测天文学中不同巡天所提供的大量高质量数据。费米卫星上的大面积望远镜（Fermi-LAT）在其十余年的巡天中已在天空中发现超过6500个高能伽马射线源。Fermi-LAT观测到的大部分源要么仍未得到证认，要么被识别为不确定类型耀变体候选体（BCUs）。我们探索了极端梯度提升（XGBoost）——一种监督机器学习算法——在4FGL星表中112个具有X射线对应体且位于Fermi-LAT观测95%不确定区域内的BCU样本中识别耀变体子类的潜力。我们利用了红外、光学、紫外、X射线和伽马射线波段的多波段观测信息以及文献中报道的红移测量值进行分类。在这112个不确定类型耀变体中，62个被分类为蝎虎座BL型天体（BL Lacs），6个被分类为平谱射电类星体（FSRQs）。这表明相对于文献中报道的基于多层感知机神经网络的分类有显著改进。我们的研究表明，伽马射线谱指数和红外颜色指数是使用XGBoost分类器识别耀变体子类的最重要的特征。我们还探讨了红移在BCU候选体分类中的重要性。
引用
@article{arxiv.2306.15393,
title = {Classification of the \emph{Fermi}-LAT Blazar Candidates of Uncertain type using eXtreme Gradient Boosting},
author = {A. Tolamatti and K. K. Singh and K. K. Yadav},
journal= {arXiv preprint arXiv:2306.15393},
year = {2023}
}
备注
16 Pages, 10 Figures, Accepted for Publication in MNRAS