基于档案测光与机器学习的微引力透镜事件早期识别

引力微透镜法是探测银河系中孤立黑洞的有力方法。微透镜事件期间源亮度增加，许多测光巡天利用此特征对潜在事件发出警报。典型微透镜事件呈现特征光变曲线，然而当观测节奏不够密集时，某些爆发型变星可能呈现与微透镜事件相似的光变曲线。我们的目标是以纯档案多波段测光数据区分微透镜事件候选与其他类型警报。微透镜事件搜寻中最常见的污染源为经典Be型星、年轻恒星天体与如刍藁变星之类的渐近巨星支星。我们结合来自Gaia、2MASS与AllWISE星表的 optical 到中红外星等，利用数千个主类警报恒星样本构建训练集。我们使用监督机器学习技术建立警报分类模型。我们在Gaia科学警报报道的120个经光谱与测光研究的微透镜事件上验证了方法。仅用档案信息，在90%概率阈值下我们正确识别了三分之一的微透镜事件。我们还将分类器运行于368个被标记为微透镜事件潜在候选的Gaia警报位置。在90%概率阈值下，我们分类出38个微透镜事件与29个其他类型变星。所开发的机器学习辅助方法可普遍用于当前及未来警报巡天，以快速评估银河系暂现源分类并辅助后续观测决策。