基于多频能谱数据的深度学习耀变体分类
高能天体物理现象
2021-06-07 v2
摘要
耀变体是高能天体物理中研究最多的源之一，因为它们构成了河外伽马射线源的最大比例，并被认为是高能天体物理中微子的首要候选对应体。在众多暗弱射电源中可靠地识别它们是多信使对应体关联的关键一步。随着天文界准备迎来若干能够以空前深度从射电到伽马射线巡测非热天空的新设施，用于快速可靠源识别的机器学习技术愈发重要。本工作的目的是开发一种深度学习架构，仅基于从公开多频目录收集的非同时能谱（SED）信息，在 AGN 群体中识别耀变体。本研究使用了空前大量的数据，借助 Open Universe VOU-Blazars 工具收集了约 个源的 SED。它使用了专为 SED 分类问题构建的卷积长短期记忆神经网络，我们对其作了详细描述与验证。该网络能够将耀变体与其他类型 AGN 区分到令人满意的程度（达到 0.98 的 ROC 曲线下面积），即使在仅以全体样本的子集训练时亦如此。这一初步研究未尝试在耀变体不同子类间分类，也未量化任何多频或多信使关联的可能性，但作为迈向这些更偏实用应用的一步而提出。
引用
@article{arxiv.2012.15340,
title = {Deep Learning Blazar Classification based on Multi-frequency Spectral Energy Distribution Data},
author = {Bernardo M. O. Fraga and Ulisses Barres de Almeida and Clecio R. Bom and Carlos H. Brandt and Paolo Giommi and Patrick Schubert and Marcio P. de Albuquerque},
journal= {arXiv preprint arXiv:2012.15340},
year = {2021}
}
备注
13 pages, 17 figures, updated with accepted version