用于估计伽马射线暴红移的深度神经网络

虽然目前已知红移的伽马射线暴 (GRB) 数据集有限，但不同仪器提供了大量未知红移的 GRB 数据。这些数据包含测量良好的瞬时伽马射线流量和光谱信息。我们利用基于光谱参数的机器学习技术，估计了由 Fermi-GBM 和 Konus-Wind 探测到的一部分 GRB 的红移。我们发现，利用输入参数间非线性关系的深度神经网络结合随机森林模型，能够合理地复现 GRB 的伪红移分布，从而模拟具有光谱红移的 GRB 分布。此外，我们发现 GRB 的伪红移样本满足：(i) GRB 宇宙学静止系中时间平均能谱的峰值光子能量 ${E}_{\rm i, p}$ 与瞬时阶段各向同性等效辐射能量 ${E}_{\rm iso}$ 之间的 Amati 关系；以及 (ii) 峰值流量区间内测得的 ${E}_{\rm i, p}$ 与各向同性等效光度 ${L}_{\rm iso}$ 之间的 Yonetoku 关系。