基于深度学习的宽场空间望远镜成像中强引透射超新星检测
天体物理仪器与方法
2025-12-24 v1
摘要
引起引力透射的超新星(SNe)极其罕见且会迅速褪色，因此难以检测。为了在大型成像数据集中识别透射超新星，当前的观测主要依赖引力透射的"放大效应"--搜索比预期更亮的瞬变现象。本文提出了一种基于深度神经网络的证明概念研究，用于分类先前检测到的瞬变现象。该网络不依赖放大效应，而是旨在基于瞬变对象的"变形形状"识别具有小分离(0.6 arcsec)的双像超新星。此方法最适用于来自宽场成像天文台的空间基准观测，如即将推出的罗马太空望远镜。为了进行训练和测试，我们使用归档的哈勃太空望远镜(HST)成像观测。由于透射超新星的极端稀缺性，我们无法在实际透射超新星数据上训练神经网络。相反，我们使用HST成像数据生成用于训练和测试的模拟成像数据集。我们的模拟使用天体物理先验条件定义每个双重成像超新星的分离、相对亮度和颜色。我们还模拟了虚假阳性(图像伪影和未透射超新星)，后者比真实透射超新星更为常见。我们的深度学习模型在单个差分图像上识别透射超新星(即不使用多个时段)。该网络在模拟的引力透射超新星上实现了99%的召回率。该网络成功区分了单个超新星(SNe)与透射超新星，以及无超新星的图像，分别实现了单SNe和零SNe图像的召回率分别为90%和96%。
引用
@article{arxiv.2512.19886,
title = {Detecting Strongly-Lensed Supernovae in Wide-field Space Telescope Imaging via Deep Learning},
author = {Fawad Kirmani and Arjun Karki and Steve Rodney and Kyle Lackey and Varsha P. Kulkarni and John R. Rose and Justin Pierel},
journal= {arXiv preprint arXiv:2512.19886},
year = {2025}
}
备注
8 pages, 11 figures