用卷积神经网络对复杂法拉第谱进行分类
天体物理仪器与方法
2018-11-07 v1 宇宙学与河外天体物理
摘要
射电频谱偏振测量的进展提供了可能性，以解开星际与星系际介质中相对论性等离子体与非热等离子体混合的复杂区域。近期工作表明，看似简单的法拉第旋转量度（RM）谱可由复杂源产生。即便复杂源中 RM 的分布远超对法拉第谱峰值做单分量拟合的误差，此结论依然成立。我们提出一种卷积神经网络（CNN），可区分简单的法拉第薄谱与包含多分量或法拉第厚源的谱。我们证明，该 CNN 针对即将开展的宇宙磁性偏振巡天（POSSUM）早期科学观测训练后，若能区分的双源在法拉第深度上相隔 10% 的法拉第点扩散函数半高全宽（FWHM）、源间偏振通量比 0.1、且主分量的射电信噪比（S/N） 5，则识别双分量源的准确率达 99%。在此 S/N 截断下，假阳性率（简单源被误分为复杂源）为 0.3%。将法拉第厚源纳入 CNN 训练与测试的工作正在进行中。
引用
@article{arxiv.1711.03252,
title = {Classifying Complex Faraday Spectra with Convolutional Neural Networks},
author = {Shea Brown and Brandon Bergerud and Allison Costa and B. M. Gaensler and Jacob Isbell and Daniel LaRocca and Ray Norris and Cormac Purcell and Lawrence Rudnick and Xiaohui Sun},
journal= {arXiv preprint arXiv:1711.03252},
year = {2018}
}
备注
7 pages, 7 figures, submitted to MNRAS