利用深度学习分析类星体光谱以发现并表征阻尼莱曼α系统
星系天体物理
2018-02-14 v1
摘要
我们设计、开发并应用了一种使用多任务学习的卷积神经网络（CNN）架构，用于在类星体光谱中搜索和表征强HI莱曼α吸收。无需对类星体连续谱进行任何显式建模，也无需应用量子力学预测的莱曼α线型，我们的算法即可预测强HI吸收的存在，并估算相应的红移 zabs 和 HI柱密度 NHI，重点在于阻尼莱曼α系统（DLAs，即 log NHI > 20.3 的吸收体）。我们使用自定义的训练集对CNN模型进行调优，该训练集由注入到来自斯隆数字巡天（SDSS）第5次数据发布（DR5）的无DLA类星体光谱中的DLA组成。在保留验证集上的测试表明，算法能高比例地找回DLA（97.4%作为DLA，99%作为 log NHI > 19.5 的HI吸收体），并对 zabs 和 NHI 给出极佳的估计。针对SDSS DR5数据集的人工编目调查也获得了类似结果。该算法假阳性和假阴性发生率低，但在处理重叠DLA和/或极高NHI系统时面临挑战。我们将此CNN模型应用于SDSS-DR7和重子振荡光谱巡天（BOSS，第12次数据发布）的类星体光谱，分别提供了4,913和50,969个DLA的目录（包括此前未发表的1,659和9,230个高置信度DLA）。本工作验证了深度学习技术在天文光谱分类与定量测量中的应用。
引用
@article{arxiv.1709.04962,
title = {Deep Learning of Quasar Spectra to Discover and Characterize Damped Lya Systems},
author = {David Parks and J. Xavier Prochaska and Shawfeng Dong and Zheng Cai},
journal= {arXiv preprint arXiv:1709.04962},
year = {2018}
}
备注
20 pages, 19 figures; submitted to MNRAS; comments welcome; code available at https://github.com/davidparks21/qso_lya_detection_pipeline