用于活动星系核光变曲线非参数建模的条件神经过程
星系天体物理
2022-02-16 v1
摘要
超大质量黑洞附近复杂扰动环境的后果并不能很好地由活动星系核（AGN）光学变率的标准统计模型所表征。因此，开发新的方法来研究和建模 AGN 光变曲线至关重要。条件神经过程（CNPs）是非线性函数模型，可基于有限量的已知数据预测随机时间序列，无需使用任何额外参数或先验知识（核）。我们提供了一种专为模拟 AGN 光变曲线设计的条件神经过程算法。它使用来自全天自动超新星巡天的数据进行训练，该数据包含 153 个 AGN。我们展示了 CNP 对五个具有显著难以建模特性的 AGN 子样本建模的性能。CNP 在预测时间流量涨落方面的性能通过使用最小化损失函数评估，结果证明了该算法的实用性。我们的初步并行化实验表明，CNP 能高效处理大量数据。这些结果意味着，在建模海量 AGN 数据方面，CNP 可比标准工具更有效（正如来自 Vera C. Rubin 天文台时空遗产巡天等时域巡天所预期）。
引用
@article{arxiv.2111.09751,
title = {Conditional Neural Process for non-parametric modeling of AGN light curve},
author = {Iva Cvorovic-Hajdinjak and Andjelka B. Kovacevic and Dragana Ilic and Luka C. Popovic and Xinyu Dai and Isidora Jankov and Viktor Radovic and Paula Sanchez-Saez and Robert Nikutta},
journal= {arXiv preprint arXiv:2111.09751},
year = {2022}
}
备注
The manuscript was accepted for publication in the Astronomische Nachrichten Special Issue