深度学习Voigt轮廓 I. 单云双重线
星系天体物理
2023-11-28 v1
摘要
类星体吸收线的Voigt轮廓(VP)分解是研究星系间气体以及支配星系形成与演化的重子循环的关键。VP的速度、柱密度和多普勒参数揭示了这些天体物理环境的运动学、化学和电离条件。传统VP拟合的一个缺点是可能耗费大量人工时间。随着下一代具有多目标高分辨率光谱仪的大视场巡天望远镜的到来，时间需求将显著超出我们的资源。深度学习流水线有望跟上步伐并提供可供科学消化的数据产品。我们探索了应用深度学习卷积神经网络(CNN)从类星体吸收线轮廓的归一化像素通量值直接预测VP拟合参数。将CNN应用于56个由HIRES和UVES观测的单分量MgII2796、2803双重线吸收线系统()。CNN预测与传统VP拟合器在统计上无差异。其优势在于一旦训练完成，CNN处理系统的速度比人类专家手工拟合轮廓快约倍。我们的试点研究表明，CNN有望在未来对类星体吸收线系统进行批量分析。
引用
@article{arxiv.2311.16029,
title = {Deep Learning Voigt Profiles I. Single-Cloud Doublets},
author = {Bryson Stemock and Christopher W. Churchill and Avery Lee and Sultan Hassan and Caitlin Doughty and Rogelio Ochoa},
journal= {arXiv preprint arXiv:2311.16029},
year = {2023}
}
备注
22 pages, 12 figures, submitted to the Astrophysical Journal