通过机器学习区分X射线恒星与活动星系核
高能天体物理现象
2023-04-04 v1
摘要
现代X射线望远镜已在宇宙中探测到数十万个X射线源。然而，当前利用X射线数据本身对这些源进行分类的方法存在诸多问题——对单个源进行详细的X射线光谱分析过于耗时，而硬度比往往缺乏准确性，且难以有效使用。这些方法未能发挥X射线CCD探测器的能力来识别X射线发射线，并将以谱线为主的谱（来自色球活动恒星、超新星遗迹等）与以连续谱为主的谱（例如致密天体或活动星系核[AGN]）区分开来。在本文中，我们探究了利用人工神经网络（ANN）将Chandra Orion Ultradeep Project（COUP）巡天中的年轻恒星的Chandra光谱与Chandra Deep Field South（CDFS）巡天中的AGN区分开。我们使用这些巡天生成100,000条恒星和AGN的人工光谱，并训练我们的ANN模型以分离这两类光谱。我们发现，我们的方法在对典型曝光中中等亮度天体的模拟光谱进行分类时达到约92%的准确率，但在观测到的COUP和CDFS光谱上性能略有下降（约91%），这在很大程度上归因于这些长曝光数据集相对较高的背景。我们还研究了我们的方法随光谱性质变化（如净源计数、背景的相对贡献、源的吸收柱密度等）的性能。我们得出结论，这些方法在应用于大型X射线巡天方面具有可观的前景。
引用
@article{arxiv.2304.00158,
title = {Distinguishing X-ray Stars vs. AGN through ML},
author = {Pavan R. Hebbar and Craig O. Heinke},
journal= {arXiv preprint arXiv:2304.00158},
year = {2023}
}
备注
21 pages, 21 figures, accepted for publication in ApJ