基于深度学习估算 Fermi/LAT 河外源红移及其不确定性
高能天体物理现象
2023-12-13 v3 天体物理仪器与方法
摘要
随着技术进步，基于机器学习的分析方法已渗透至现代研究的几乎每个学科。特别是，已有多种方法被用于估算伽马射线亮活动星系核（AGN）的红移，AGN 是一类以强烈多波段发射与剧烈变异性著称的超大质量黑洞系统。确定 AGN 的红移对于理解其距离至关重要，而这反过来有助于我们当前对邻近宇宙结构的认识。然而，该任务涉及诸多挑战，例如需要跨多波段与天文设施的精细后续观测。在本研究中，我们采用一个简单而有效的深度学习模型，其具有单个含 个神经元且 dropout 为 0.25 的隐藏层，应用于来自 Fermi-LAT 的最新 AGN 星表 4LAC-DR3 中具已知红移的 AGN 样本。我们利用它们的光谱、空间与时间属性稳健预测 AGN 红移，并通过两种不同变分推断方法修改模型来量化其相关不确定性。我们在频率主义模型的测试集上取得 0.784 的相关系数，两种变分推断变体分别为 0.777 与 0.778；当用于对未知红移样本进行预测时，模型给出的均值预测分别为 0.421、0.415 与 0.393，标准差分别为 0.258、0.246 与 0.207。
引用
@article{arxiv.2309.12846,
title = {Estimation of redshift and associated uncertainty of Fermi/LAT extra-galactic sources with Deep Learning},
author = {Sarvesh Gharat and Abhimanyu Borthakur and Gopal Bhatta},
journal= {arXiv preprint arXiv:2309.12846},
year = {2023}
}
备注
Accepted: MNRAS