中文

光学变动在发现低星质质量星系中的 AGN 方力

机器学习 2025-06-03 v2 机器学习

摘要

我们使用随机森林算法对天空中所有对象进行分类,利用 Zwicky Transient Facility (ZTF) 提供的或由不同光度选择算法构建的光度曲线。我们比较基于警报或从不同光度选择算法派生的完整光度曲线的不同选择集合。由此筛选得到的 AGN 候选对象与来自当地星系 NASA-Sloan Atlas (NSA) 中的对象进行交叉匹配,星系质量 M<2×1010MM_*<2\times10^{10}M_\odot。通过 SDSS 的归档光度谱对这些候选对象的 AGN 性质进行验证和表征。我们进一步确定这些候选对象在 eROSITA 数据释放 1 目录中 X 射线源对应物的比例。初始样本中 506 个候选对象中,415 个具有良好质量的光度谱。在这 415 个对象中,我们发现 86%86\% (357 个) 的候选对象在光度谱中具有显著的宽 Balmer 线。考虑 BPT 分类后,额外确认 5 个候选对象,结果为 87%87\% (362 个) 确认的候选对象。具体而言,来自完整光度曲线选取的 AGN 候选对象中 94%98%94\%-98\% 具有宽 Balmer 线,而来自较少频繁的 ZTF 警报选取的候选对象中则为 80%80\%。从光度谱估计的黑洞质量范围为 2.2×106M2.2\times10^6M_\odot4.2×107M4.2\times10^7M_\odot,达到使用更敏感光度曲线选取的候选对象的更低值。获得的黑洞质量集中在宿主 NSA 目录中恒星质量的 0.1%0.1\% 处。约二分之三的 AGN 候选对象按其窄发射线比率 (BPT 诊断) 分类为 Seyfert 或复合型,其余为星形成型。几乎所有被分类为 Seyfert 的对象以及超过 50%50\% 被分类为星形成的对象都具有显著的宽发射线 (BEL)。我们发现落在 eROSITA-DE DR1 覆盖范围内的候选对象中,有 67%67\% 具有 X 射线对应物。

关键词

引用

@article{arxiv.2412.14297,
  title  = {Distributionally Robust Policy Learning under Concept Drifts},
  author = {Jingyuan Wang and Zhimei Ren and Ruohan Zhan and Zhengyuan Zhou},
  journal= {arXiv preprint arXiv:2412.14297},
  year   = {2025}
}

备注

Poster at ICML2025