利用无监督机器学习探索X射线变异性 I. 自组织映射在XMM-Newton数据中的应用
天体物理仪器与方法
2022-03-14 v1
摘要
XMM-Newton为我们提供了对X射线宇宙的空前洞察，记录了数十万颗天体的变异性信息。人工搜索光变曲线中的有趣模式是不切实际的，需要一种自动化的数据挖掘方法来表征这些天体。直接对光变曲线拟合时间模型并非识别它们的可靠方法，尤其是在数据含噪的情况下。我们使用无监督机器学习来提炼大规模光变曲线参数数据集，揭示其聚类结构，为异常检测和后续搜索特定源行为（如耀发、掩食）做准备。自组织映射（SOMs）在单一框架内实现降维与聚类。它们是一种人工神经网络，经训练后用二维离散互连单元网格来逼近数据，之后可在平面上可视化。我们在由EXTraS星表逾100,000次探测计算得到的时间参数上训练了SOM。所得映射显示，约2500个最可变源依据时间特征聚类。我们发现了SOM映射上与耀发、掩食、吸收凹陷、线性光变曲线等相关的独特区域。每组都包含肉眼看来相似的天体。我们挑出少数有趣源作进一步研究。SOM提供的对数据集的浓缩视图使我们能识别相似源组，将人工表征速度提升了数个数量级。我们的方法也凸显了用简单时间模型拟合光变曲线的问题，并可在一定程度上缓解这些问题。这对于充分利用即将到来的X射线巡天所预期的高数据量至关重要，并可能有助于解释监督分类模型。
引用
@article{arxiv.2202.08868,
title = {Exploring X-ray variability with unsupervised machine learning I. Self-organizing maps applied to XMM-Newton data},
author = {Miloš Kovačević and Mario Pasquato and Martino Marelli and Andrea De Luca and Ruben Salvaterra and Andrea Belfiore Mondoni},
journal= {arXiv preprint arXiv:2202.08868},
year = {2022}
}
备注
Accepted in Astronomy & Astrophysics (A&A). Main part: 12 pages, 12 figures, 1 video (appendix: 5 pages and 4 figures)