基于DRACULA机器学习方法探索Ia型超新星的光谱多样性
太阳与恒星天体物理
2019-08-13 v2 高能天体物理现象
天体物理仪器与方法
摘要
存在多子类Ia型超新星（SNeIa）在过去十年中备受争议。试图推断一个或多个子类存在时不可避免遇到的重大挑战是定义子类的耗时且主观的过程。本工作中，我们展示机器学习工具如何通过在这些天体形成的光谱多样性连续空间中建立层次化群组结构，来促进SNeIa子类型的识别。利用深度学习，我们能够在4维特征空间（+1维用于时间演化）中执行此种识别，而标准主成分分析仅使用15个主成分就勉强达到类似结果。这证明前身星系统和爆炸机制可由少量初始物理参数描述。作为概念验证，我们展示结果与先前提出的分类方案高度一致，且我们提出的方法能把握此类子类型定义背后的主要光谱特征。这使得确认谱线速度作为决定SNIa子类型的第一阶效应，其次是91bg-like事件。鉴于未来年份预期的数据洪流，我们提出的方法对于快速且统计连贯地识别SNeIa子类型（及异常值）至关重要。本工作中使用的所有工具已在Python包DRACULA（天文学中用于无监督学习的降维与聚类，Dimensionality Reduction And Clustering for Unsupervised Learning in Astronomy）中公开，并可在COINtoolbox (https://github.com/COINtoolbox/DRACULA) 中找到。
引用
@article{arxiv.1512.06810,
title = {Exploring the spectroscopic diversity of type Ia supernovae with DRACULA: a machine learning approach},
author = {Michele Sasdelli and E. E. O. Ishida and R. Vilalta and M. Aguena and V. C. Busti and H. Camacho and A. M. M. Trindade and F. Gieseke and R. S. de Souza and Y. T. Fantaye and P. A. Mazzali},
journal= {arXiv preprint arXiv:1512.06810},
year = {2019}
}
备注
16 pages, 12 figures, accepted for publication in MNRAS