利用深度学习搜寻类星体的光谱红移
高能天体物理现象
2022-01-11 v1
摘要
在其宇宙静止参考系中研究宇宙源对于追踪宇宙历史和致密天体的性质至关重要。鉴于现有及即将到来的望远镜/探测器的数据量不断增加，我们在此构建了一个具有残差神经网络（ResNet）结构的一维卷积神经网络（CNN），用于从eBOSS的SDSS-IV目录中DR16仅类星体（DR16Q）数据，在宽泛的信噪比范围内估算类星体的红移，命名为\code{FNet}。得益于其个卷积层以及具有、和不同核大小的ResNet结构，FNet能够通过自学习过程发现整个光谱样本中的“局部”和“全局”模式。其在红移速度差时达到97.0的精度，在时达到98.0。而\code{QuasarNET}是SDSS例程中采用的标准CNN，由4个卷积层（无ResNet结构）、核大小为构成，通过识别七条发射线（局部模式）来测量红移，在DR16Q目录中未能估算约经目视检查的类星体红移，其在时给出97.8的精度，在时给出97.9。因此，FNet提供了与\code{QuasarNET}相近的精度，但适用于更广范围的SDSS光谱，尤其是那些缺失\code{QuasarNET}所利用的清晰发射线的光谱。FNet的这些特性，加上机器学习的快速预测能力，使FNet成为流水线红移估计器更准确的替代方案，并可在即将到来的目录中实用化以减少需目视检查的光谱数量。
引用
@article{arxiv.2201.03393,
title = {Deep Learning in Searching the Spectroscopic Redshift of Quasars},
author = {F. Rastegar Nia and M. T. Mirtorabi and R. Moradi and A. Vafaei. Sadr and Y. Wang},
journal= {arXiv preprint arXiv:2201.03393},
year = {2022}
}
备注
10 pages, 8 figures. The manuscript is accepted for publication in MNRAS