基于监督机器学习估计 Swift 伽马射线暴的峰能

伽马射线暴(GRBs)是宇宙中最剧烈的爆炸现象，其峰能($E_{\rm p}$)是理解其初始发射机制的关键物理量。然而，由于 Swift 卫星能量覆盖范围有限，大量 Swift 伽马射线暴缺乏可靠的峰能测量值。因此，开发一种准确且高效的 $E_{\rm p}$ 估计方法至关重要。本文提出一种基于 SuperLearner 框架的方法，通过整合多种监督机器学习算法来估计 Swift/BAT 伽马射线暴的峰能。我们使用 2004 年 12 月至 2022 年 9 月的 Swift/BAT 观测数据作为训练特征，采用与 Fermi/GBM 或 Konus-Wind 联合探测的 516 场伽马射线暴的峰能作为训练标签。在训练和测试多种监督模型后，最终的 SuperLearner 集成模型提供了更稳健可靠的预测模型。在 100 次五折交叉验证中，估计的 E\'_{\rm p} 值与观测到的 $E_{\rm p}$ 之间呈现紧密相关性，平均皮尔逊相关系数为 $r = 0.72$。与以往的贝叶斯估计相比，我们的模型提供的估计值更接近真实值。基于训练得到的模型，我们进一步估计了 650 场 Swift 伽马射线暴的峰能，显著增加了具有估计峰能的伽马射线暴数量，为约束伽马射线暴发射机制和能量来源提供了新的统计依据。