利用多波段机器学习方法分类钱德拉源星表中的未证认 X 射线源
高能天体物理现象
2023-07-24 v3
摘要
偶然发现的 X 射线源探测数量的快速增长，要求开发新方法来高效探索 X 射线源的性质。即便其中一小部分源能被可靠分类，也将使各类天体物理源型的人口研究规模远超当前可能。对具有多重属性（特征）的多类大量源进行分类必须自动完成，而监督机器学习（ML）似乎提供了唯一可行的途径。我们对钱德拉源星表 2.0 版（CSCv2）源进行分类，以探索 ML 方法的潜力，并识别此类研究中呈现的各种偏差、局限与瓶颈。我们建立了框架并给出一个灵活可扩展的 Python 流水线，可供他人使用与改进。我们还发布了具有确证类别的 2941 个 X 射线源的训练数据集。除对 66,369 个 CSCv2 源（占整个 CSCv2 星表的 21%）给出概率分类外，我们进行了若干更窄聚焦的案例研究（大质量 X 射线双星候选体与 H.E.S.S. TeV 源延展范围内的 X 射线源），以展示我们 ML 方法的若干可能应用。我们还讨论了所呈流水线的未来可能修改，预期将显著提升分类置信度。
引用
@article{arxiv.2206.13656,
title = {Classifying Unidentified X-ray Sources in the Chandra Source Catalog Using a Multiwavelength Machine-learning Approach},
author = {Hui Yang and Jeremy Hare and Oleg Kargaltsev and Igor Volkov and Steven Chen and Blagoy Rangelov},
journal= {arXiv preprint arXiv:2206.13656},
year = {2023}
}
备注
Published in ApJ 941, 104 (2022). The data and software used in this paper are available at https://github.com/huiyang-astro/MUWCLASS_CSCv2 and also on Vizier https://cdsarc.cds.unistra.fr/viz-bin/cat/J/ApJ/941/104. The interactive training dataset visualization is available at https://home.gwu.edu/~kargaltsev/XCLASS/